PulseAugur
中
实时 09:08:41
English(EN) Does Normalization Choice Matter for Causal Large Time-Series Models?

归一化选择影响因果时间序列模型性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员调查了不同归一化技术对因果大型时间序列模型的影响，特别是那些使用带打补丁和高效因果策略的Transformer架构的模型。他们的发现表明，归一化的选择显著影响训练收敛速度和预测性能的准确性。该研究强调了标准归一化在因果设置中可能存在的信息泄露问题，并评估了旨在解决此问题的新型替代方案。 AI

影响 理解归一化的影响对于优化时间序列预测模型至关重要，有可能提高其在实际应用中的准确性和效率。

排序理由 该集群包含一篇详细介绍AI模型研究结果的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Samy-Melwan Vilhes (LMAC), Gilles Gasso (LMAC), Mokhtar Z Alaya (LMAC) ·

    Does Normalization Choice Matter for Causal Large Time-Series Models?

    arXiv:2606.09954v1 Announce Type: cross Abstract: Large models for time-series forecasting have been emerged as a promising paradigm for training models on heterogeneous collections of signals. These models typically rely on causal autoregressive architectures, where each observa…

相关实体

相关话题