Zobrazeno 1 - 10
of 36
pro vyhledávání: '"Deshpande, Prathamesh P."'
Long range forecasts are the starting point of many decision support systems that need to draw inference from high-level aggregate patterns on forecasted values. State of the art time-series forecasting methods are either subject to concept drift on
Externí odkaz:
http://arxiv.org/abs/2111.03394
Autor:
Gaikwad, Prashik S., Krieg, Aaron S., Deshpande, Prathamesh P., Patil, Sagar Umesh, King, Julia A., Maiaru, Marianna, Odegard, Gregory M.
Thermoset resin-based composite materials are widely used in the aerospace industry, mainly due to their high stiffness-to-weight and strength-to-weight ratios. A major issue with the use of thermoset resins in fiber composites is the process-induced
Externí odkaz:
http://arxiv.org/abs/2109.01716
Autor:
Patil, Sagar Umesh, Shah, Sagar P., Olaya, Michael N., Deshpande, Prathamesh P., Maiaru, Marianna, Odegard, Gregory M.
Epoxy resins are used extensively in composite materials for a wide range of engineering applications, including structural components of aircraft and spacecraft. The processing of fiber-reinforced epoxy composite structures requires carefully select
Externí odkaz:
http://arxiv.org/abs/2108.00933
We present DeepMVI, a deep learning method for missing value imputation in multidimensional time-series datasets. Missing values are commonplace in decision support platforms that aggregate data over long time stretches from disparate sources, and re
Externí odkaz:
http://arxiv.org/abs/2103.01600
In recent years, marked temporal point processes (MTPPs) have emerged as a powerful modeling machinery to characterize asynchronous events in a wide variety of applications. MTPPs have demonstrated significant potential in predicting event-timings, e
Externí odkaz:
http://arxiv.org/abs/2101.02815
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We present ARU, an Adaptive Recurrent Unit for streaming adaptation of deep globally trained time-series forecasting models. The ARU combines the advantages of learning complex data transformations across multiple time series from deep global models,
Externí odkaz:
http://arxiv.org/abs/1906.09926
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.