Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Adapting Large Language Models to Forecast in Frequency Domain

Identification

Clé publique
radar:r-c560bbb2d98ff04c13dfe69d9fa3826b
Auteurs
Yungeng Zhang · Yuan Chang · Xiaohou Shi · Yaqi Song · Feng Wang · Don‐Lin Yang
Année déclarée
2025
Langue déclarée
en
Type source
conference-paper
Première détection
2026-11-14T02:29:22.188177+00:00
Dernière observation des métadonnées
2026-11-14T02:29:22.188177+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

China Telecom

Pays d’affiliation déclarés

CN

Résumé documentaire — langue originale

Large language models (LLMs) have recently been applied to time series forecasting to leverage their reasoning and pattern recognition capabilities. Compared to task-specific forecasting models, LLMs exhibit generalizability and a broad understanding of cross-domain knowledge. However, current LLM-based forecasting methods overlook the importance of frequency properties in sequence data, which is a critical aspect in time series analysis. In this work, we propose an approach to incorporate frequency domain representation and operations into an LLM-based forecasting framework. We transform the label sequences into Fourier complex-valued representations and adapt LLMs to forecast in the frequency domain. To enhance frequency analysis and prediction, a Fourier neural network is introduced in the LLM-based forecasting. Extensive experiments verify that our approach compares favorably against the state-of-the-art methods in time series forecasting.

Identifiants

OPENALEX
https://openalex.org/W4408353938
DOI
10.1109/icassp49660.2025.10890112

Repères documentaires

Famille documentaire
conference_paper
Types déclarés par les sources
conference-paper

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. Adapting Large Language Models to Forecast in Frequency Domain. 2025. https://doi.org/10.1109/icassp49660.2025.10890112

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. (2025). Adapting Large Language Models to Forecast in Frequency Domain. https://doi.org/10.1109/icassp49660.2025.10890112
Chicago
Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. Adapting Large Language Models to Forecast in Frequency Domain. 2025. https://doi.org/10.1109/icassp49660.2025.10890112
ISO 690
Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. Adapting Large Language Models to Forecast in Frequency Domain. 2025. https://doi.org/10.1109/icassp49660.2025.10890112

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Adapting Large Language Models to Forecast in Frequency Domain. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-c560bbb2d98ff04c13dfe69d9fa3826b/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.1109/icassp49660.2025.10890112

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature