FlowState 模型实现采样率等变的 time-series 预测

研究人员推出 FlowState，这是一种新颖的 time-series 基础模型，旨在提高适应性和效率。与之前的基于 transformer 的模型不同，FlowState 采用状态空间模型编码器与函数基解码器配对，以实现采样率等变。该架构允许连续时间建模和动态调整预测范围，而无需重新训练，从而能够泛化到所有时间分辨率。尽管体积较小，FlowState 在 GIFT-Eval 基准测试上已展现出最先进的性能，并对未见的采样率具有卓越的适应性。 AI

影响 引入了一种新颖的 time-series 预测架构，该架构可跨采样率进行泛化，有望提高金融建模和传感器数据分析等应用的效率和准确性。

排序理由 该集群包含一篇关于 time-series 预测新模型架构的学术论文，已提交至 arXiv。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• FlowState
• GIFT-Eval
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• Lars Graff
• ScienceCast

• 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 →