Btissame El Mahtout
PulseAugur coverage of Btissame El Mahtout — every cluster mentioning Btissame El Mahtout across labs, papers, and developer communities, ranked by signal.
-
新的混合专家（MoE）框架通过集成专家损失增强时间序列预测能力
研究人员开发了一种新的用于时间序列预测的混合专家（MoE）框架，该框架提高了训练效率和预测性能。该框架将专家特定的损失直接集成到优化过程中，为各个专家提供独立于门控权重的学习信号。该方法还鼓励专家专注于不同的数据段，并结合了部分在线学习策略以实现高效更新。在各种数据集上的实证结果表明，该方法优于最先进的监督神经网络预测模型，包括基于 Transformer 的架构（如 PatchTST）和零样本基础模型（如 TimeMoE）。
-
新型混合神经网络提高电力价格预测精度
开发了一种新型混合神经网络架构用于电力价格预测，结合了线性和非线性前馈神经网络结构。该模型采用了一种新颖的局部在线学习策略，通过为每个训练阶段使用不同的超参数配置来减少计算时间。此外，该框架通过 Bernstein Online Aggregation (BOA) 集成预测组合，以提高准确性。在一项对欧洲主要电力市场的六年研究中，该方法显示出显著的改进，与最先进的基准相比，计算成本降低了 11-12%，均方根误差 (RMSE) 降低了…
-
新的MoE框架加速时间序列预测训练
研究人员开发了一个新的混合专家（MoE）框架，旨在加速时间序列预测模型的训练。该方法将特定专家的损失信息直接整合到训练过程中，使个体专家的预测误差能够与全局预测损失一起塑造学习过程。该框架还采用部分在线学习策略，无需完全重新训练即可高效更新门控和专家参数，在各种数据集上展示了优于现有统计模型和神经网络模型的准确性和计算效率。