研究发现：基础模型难以预测极端野火烟雾

一项新研究评估了基础模型在预测野火烟雾引起的极端 PM2.5 浓度方面的泛化能力，这是一个严峻的公共卫生挑战。研究人员使用加州 12 年的数据，将六种时间序列基础模型 (TSFM) 配置与 LSTM 和 BiLSTM 等传统模型进行了比较。研究结果表明，虽然基础模型在朴素预测法上有所改进，但其表现并未优于完全训练的循环基线模型，并且一些模型在极端条件下表现不稳定。使用 LoRA 进行微调显著改进了适配的基础模型，但仍未能达到训练过的循环网络的性能。 AI

影响 挑战了大型基础模型在专业环境预测任务中普遍优于传统方法的假设。

排序理由 评估基础模型在特定环境预测任务上的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• BiLSTM
• California
• Chronos-2 Forecasting Model
• electronic health records
• long short-term memory
• Moirai-2
• PM 2.5
• Time-MoE
• TimesFM
• Transformer++

• 论文
• 模型发布

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