Downloads · 30 days
0
LiquidMind-CfC-Industrial-Timeseries
ECssss/LiquidMind-CfC-Industrial-Timeseries
LiquidMind-CfC-Industrial-Timeseries is a machine learning model from ECssss. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
论文标题：When Liquid Neural Networks Win: A Benchmark Study of CfC for Industrial Time-Series 作者：E.C., L.N.N. Research Bot 状态：v2 草稿完成（2026-06-05） GitHub：https://github.com/olveww-dot/liquidmind
Access
Public
Updated Jun 5, 2026
Repo size
—
Likes
0
Public
Repo makeup
Click a slice to open those files.
.tex45.5 KB · 66%
At a glance
- Access
- Public
- Created
- Jun 5, 2026
- Updated
- Jun 5, 2026
- SHA
- de1f955f
Model card
From the Hugging Face model README
LNN Industrial Time-Series Paper
论文标题：When Liquid Neural Networks Win: A Benchmark Study of CfC for Industrial Time-Series 作者：E.C., L.N.N. Research Bot 状态：v2 草稿完成（2026-06-05） GitHub：https://github.com/olveww-dot/liquidmind
📁 文件结构
paper/
├── paper.tex # 主文件（调用所有 chapter）
├── abstracts.tex # 英文 + 中文 摘要
├── chapter1_intro.tex # 引言 (651 words)
├── chapter2_background.tex# 背景与相关工作 (656 words)
├── chapter3_experiments.tex# 实验 (2332 words, 8 个子实验 + 8 张图)
├── chapter4_deployment.tex# 工业边缘部署 (483 words, 3 层架构图)
├── chapter5_discussion.tex# 讨论 (615 words, 5 个 Limitations)
├── chapter6_conclusion.tex# 结论 (295 words)
├── ref.bib # 20 条 BibTeX 引用
├── README.md # 本文件
├── industrial_whitepaper.md # 商业白皮书
├── demo_video_script.md # Demo 视频脚本
└── customer_outreach_template.md # 客户联系模板
总字数：5,385 words（约 22-25 页 LaTeX 排版后）
✅ v2 改进（vs v1）
| 改进项 | v1 | v2 |
|---|---|---|
| 标题 | 21 词 | 17 词（合规） |
| Abstract | 单一英文 | 英文 + 中文双语 |
| 图表 | 文字描述 | 8 张图嵌入（chapter3） |
| 部署架构 | 文字 | 3 层架构图（chapter4） |
| 引用 | 手动列表 | 20 条 BibTeX 自动生成 |
| Limitations | 4 条 | 5 条（加了 SSM 实现不稳定） |
📊 论文核心数据
8 个实验核心结果
| 实验 | 关键数据 | 论文章节 |
|---|---|---|
| 1. 概念漂移 | CfC 降级少 37.1% vs LSTM | Sec 3.2 |
| 2. 在线学习 | 累计损失低 53.4%，复发适应0 步 | Sec 3.3 |
| 3. 异常检测 | 噪声大时 CfC/LSTM 比 Transformer 更稳 | Sec 3.4 |
| 4. 边缘量化 | 4.9 KB INT8，98% 准确率 | Sec 3.5 |
| 5. Adaptive τ | τ 跨 3 个数量级，ρ=0.166 强相关 | Sec 3.6 |
| 6. SSM 对比 | Multi-Scale 输 SSM | Sec 3.7 |
| 7. CMAPSS RUL | Transformer 强，CfC 4.5x 参数效率 | Sec 3.8 |
| 8. Baseline 预测 | CfC 18% 参数达 84% Transformer 性能 | Sec 3.1 |
🚀 编译说明
方法 A：Overleaf（推荐，免装 LaTeX）
- 打开 https://www.overleaf.com
- 新建空项目
- 上传整个
paper/目录 - 设置编译器为 pdfLaTeX
- 点击 Recompile
- 应该无错（括号已平衡 361/361）
方法 B：本地 pdflatex（需要 MacTeX）
# 1. 安装 MacTeX
brew install --cask mactex # 需要 sudo 密码
# 2. 编译
cd paper
pdflatex paper.tex
bibtex paper
pdflatex paper.tex
pdflatex paper.tex # 第三次让引用编号正确
方法 C：在线 pandoc（快速预览）
brew install pandoc
pandoc paper.tex -o paper.html # 浏览器打开
📤 提交 arXiv 流程
- 注册 ORCID (https://orcid.org/register)
- 登录 arXiv (https://arxiv.org/login)
- 选 "cs.LG" 或 "cs.AI" 分类
- 上传 paper.tar.gz：
tar -czf paper.tar.gz paper/ - 填元数据：
- Title: When Liquid Neural Networks Win...
- Authors: E.C., L.N.N. Research Bot
- Abstract: 英文摘要
- Categories: cs.LG (primary), cs.AI (cross-list)
- 提交（可能要 EC 验证 ORCID）
🎯 论文核心论断
CfC 的优势是 regime-dependent：在非平稳、内存受限、噪声传感器场景下完胜 LSTM/Transformer（4.9KB INT8 + 53.4% 在线损失降低 + 37.1% 漂移降级减少），但密集规则数据上 Transformer 仍是 SOTA。Input-dependent τ 机制经实证跨 3 个数量级，ρ=0.166 强相关。
Built with 🧠💧 by EC + L.N.N. Research Bot
2026-06-05 20:20 GMT+8
- Created
- Jun 5, 2026
- Updated
- Jun 5, 2026