新的 ORBIT 训练范式提升时间序列基础模型

研究人员推出了一种新颖的训练范式 ORBIT，旨在提升时间序列基础模型（TSFM）的性能。ORBIT 通过显式控制预训练数据的分布、管理领域不平衡、上下文需求、预测范围和缺失数据，解决了当前训练方法的局限性。该范式集成了用于数据集暴露的 Bootstrap Multi-Level Sampling 和用于不同上下文长度及预测范围的 Omni-Range Incremental Training。使用 Falcon-2.0 模型在 GIFT-Eval 和 fev-bench 基准上的评估显示，在不同领域和频率的零样本预测能力方面有了显著提升。 AI

影响 引入了一种新的训练方法，可以提高时间序列预测模型的准确性和鲁棒性。

排序理由 该集群描述了 arXiv 学术论文中提出的一种新的训练方法和模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Bootstrap Multi-Level Sampling
• fev-bench
• GIFT-Eval
• Hugging Face
• Omni-Range Incremental Training
• ORBIT
• Rank-Guided Cross-Depth Alignment
• 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 →