研究人员推出了一种新颖的多变量时间序列基础模型 Timer-M1,该模型通过学习时间与关系原语来设计用于零样本预测。该模型利用基于原语的数据合成和预训练流程,并结合了门控二维 Transformer 块来实现动态跨变量注意力。同时,另一项研究提出了面向时间序列基础模型的尺度不变性训练 (ScaleIn),以解决尺度污染训练 (ScaleCon) 问题,在这种问题中,尺度较大的序列会对模型产生不成比例的影响。ScaleIn 旨在通过确保梯度不被高尺度序列主导来提高收敛性和预测准确性,并在各种基准测试和架构中显著降低了误差。 AI
影响 时间序列基础模型的这些进展可能带来更稳健、更准确的跨领域预测,影响金融、气候科学和资源管理等领域。
排序理由 arXiv 上发表了两篇关于时间序列基础模型新方法的论文。
- GIFT-Eval
- Hugging Face
- MAE
- M-competitions
- Microsoft Security Essentials
- Quantile Loss
- Reversible Instance Normalization
- ScaleCon
- ScaleIn
- arXiv
- Timer-M1
- transformer
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →