Routing by Hurst: Matching Decomposed Modes to Inductive Biases for Time-Series Learning
El artículo propone HRMN, un novedoso marco de aprendizaje de series temporales que imita el procesamiento jerárquico de la corteza de los primates mediante la descomposición de las señales en modos intrínsecos vía EEMD, dirigiendo los componentes transitorios y persistentes a ramas especializadas de TCN y Transformer basándose en sus exponentes de Hurst, y logrando un rendimiento de vanguardia en tareas de clasificación, regresión y detección de anomalías con significativamente menos parámetros que los modelos existentes.