研究人员开发了EVOTS，一个新颖的框架，用于专门针对多元时间序列预测的进化神经架构搜索。该方法使用模块化基因组表示来探索各种类Transformer架构，从而在没有预定义设计规则的情况下实现任务自适应模型发现。在基准数据集上的评估表明，EVOTS可以发现与现有Transformer基线相比具有竞争力或改进性能的架构，证明了其在实际计算约束下的有效性。 AI
影响 这项研究通过自动化架构发现，有望带来更高效、更准确的时间序列预测模型。
排序理由 该集群包含一篇详细介绍神经架构搜索新方法的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.00154v1 Announce Type: cross Abstract: Evolutionary neural architecture design for multivariate time-series forecasting remains underexplored, with most approaches relying on fixed Transformer architectures despite substantial variation across tasks and forecasting set…
Evolutionary neural architecture design for multivariate time-series forecasting remains underexplored, with most approaches relying on fixed Transformer architectures despite substantial variation across tasks and forecasting settings. This paper introduces an evolutionary neura…