PulseAugur
中
实时 14:20:19
English(EN) Distribution-Aware Diffusion-LLM for Robust Ultra-Long-Term Time Series Forecasting

Diffusion-LLM 将扩散模型与 LLM 集成，实现鲁棒的时间序列预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为 Diffusion-LLM 的新框架，该框架集成了条件扩散模型和大型语言模型（LLMs），用于时间序列预测。该方法旨在通过实现校准概率建模和更好地对齐异构表示来解决标准 LLM 在处理多模态数据方面的局限性。Diffusion-LLM 框架在 ETT、Weather 和 ECL 等多个基准的超长期和少样本预测任务上表现出改进的性能，展示了增强的鲁棒性和泛化能力。 AI

影响 该框架可以提高 AI 模型在从天气模式到金融市场等各个领域预测未来趋势的准确性和鲁棒性。

排序理由 该集群描述了一篇介绍新机器学习框架的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Diffusion-LLM 将扩散模型与 LLM 集成，实现鲁棒的时间序列预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Bernhard Kainz ·

    Distribution-Aware Diffusion-LLM for Robust Ultra-Long-Term Time Series Forecasting

    Time series forecasting is a fundamental machine learning task. Recent work has explored Large Language Models (LLMs) for this purpose due to their strong generalization, pattern recognition, and zero-shot or few-shot capabilities. Despite their suitability for long-context learn…

相关实体

相关话题