<div dir="auto">Please mark your calendars and join Mononito at this big event. It promises to be an intellectual treat.<div dir="auto"><br></div><div dir="auto">Cheers,</div><div dir="auto">Artur</div></div><br><div class="gmail_quote gmail_quote_container"><div dir="ltr" class="gmail_attr">---------- Forwarded message ---------<br>From: <strong class="gmail_sendername" dir="auto">Suzanne Muth</strong> <span dir="auto"><<a href="mailto:lyonsmuth@cmu.edu">lyonsmuth@cmu.edu</a>></span><br>Date: Mon, Apr 7, 2025, 4:39 PM<br>Subject: RI Ph.D. Thesis Defense: Mononito Goswami<br>To: RI People <<a href="mailto:ri-people@andrew.cmu.edu">ri-people@andrew.cmu.edu</a>><br></div><br><br><div dir="ltr"><div><div class="gmail_default"><font face="verdana, sans-serif"><b><a href="https://www.ri.cmu.edu/event/towards-pragmatic-time-series-intelligence-2/" target="_blank" rel="noreferrer">RI Events Calendar Posting</a></b></font></div><div class="gmail_default"><font face="verdana, sans-serif"><b><br></b></font></div><div class="gmail_default"><font face="verdana, sans-serif"><b>Date:</b> Thursday, 17 April 2025<br><b>Time:</b> 4:30 p.m. (ET)<br><b>Location:</b> CIC LL06 (see attached figure)<br><b>Zoom Link:</b> <a href="https://cmu.zoom.us/j/91581272900?pwd=DCOr0EFMMTuAncqaeJvNJgw9W8Xsqb.1&jst=2" target="_blank" rel="noreferrer">https://cmu.zoom.us/j/91581272900?pwd=DCOr0EFMMTuAncqaeJvNJgw9W8Xsqb.1&jst=2</a><br><b>Type:</b> Ph.D. Thesis Defense<br><b>Who:</b> Mononito Goswami<br><b>Title:</b> Towards Pragmatic Time Series Intelligence<br><br><b>Abstract:</b><br>This thesis aims to democratize time series intelligence by making advanced modeling capabilities accessible to users without specialized machine learning knowledge. We pursue this goal through three complementary contributions that build foundation models, improve our understanding of them, and address challenges emerging in their practical use.<br><br></font></div><div class="gmail_default"><font face="verdana, sans-serif">We start by introducing MOMENT, the first family of open source time series foundation models capable of performing well on a variety of tasks on data from diverse domains with minimal supervision. We extend these models to handle long multivariate contexts and integrate multimodal data, enabling their application to complex real-world scenarios where traditional approaches fall short.<br><br>Next, we examine what these foundation models learn by investigating their compositional reasoning abilities, representation structures, and encoded concepts. We identify practical insights that improve both our understanding of the models and their performance.<br><br>Then, we tackle deployment challenges by developing methods to learn from distributed unlabeled data, assess label quality, and select robust models when labeled data is scarce. Lastly, we explore how Large Language Model agents can automate the time series intelligence engineering process, using open-source tools and tools developed in this thesis.<br><br>We demonstrate the utility of our methodology in clinical settings, where time series data is plentiful and where modeling of it can be impactful. We conclude that specialized foundation models, combined with practical tools supporting their real-world deployment, can substantially advance time series intelligence and yield practical solutions of societal importance.<br><br><b>Thesis Committee Members:</b><br>Artur Dubrawski (Chair)<br>Jean Oh<br>Barnabás Póczos<br>Frederic Sala (University of Wisconsin-Madison)<br>Laurent Callot (Amazon)<br></font></div></div><div class="gmail_default"><font face="verdana, sans-serif"><br></font></div><div class="gmail_default"><a href="https://drive.google.com/drive/folders/1yzdjxg0Koj92msch3kRxJDemi29E9Snj?usp=sharing" target="_blank" rel="noreferrer"><font face="verdana, sans-serif">Draft of the Thesis Document</font></a></div></div>
</div>