Deepar
PulseAugur coverage of Deepar — every cluster mentioning Deepar across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI驱动的神经网络改进了稀疏数据的零售需求预测
零售需求预测领域的机器学习专家James Theuerkauf提倡使用多塔神经网络来应对预测特定门店特定商品销售额的挑战。传统方法在处理独特的商品-门店组合的稀疏历史数据时面临困难。Theuerkauf提出在多塔架构中使用学习到的嵌入（embeddings）来描述商品和门店，从而使模型能够通过利用商品和门店特征之间的相似性来预测即使是新商品的需求，即使这些新商品没有先前的销售历史。
-
新的可微分高斯动力学方法从聚合数据中学习集体行为
研究人员推出了一种从聚合数据中学习集体动力学的新方法——可微分高斯动力学（DGD）。DGD 利用高斯混合模型来表示个体响应倾向，并结合了接触强度和行为概率的可微分聚合。该系统还包括反馈递归以更新后续响应，从而允许聚合预测误差来训练分布、观测和反馈参数。在 KuaiRand-Pure 和 Online Retail II 等数据集上的实验表明，DGD 在预测集体行为方面优于 DeepAR 的改编版本。
-
新框架利用概率预测优化5G资源分配
研究人员开发了一个新的面向目标的概率预测框架，以优化5G网络中的资源分配。该方法使用Pinball Loss函数以及DeepAR和Temporal Fusion Transformers等模型，以更好地适应欠配置与过配置之间的不对称成本。在真实5G流量数据上的评估表明，与最小化MAE和RMSE等对称误差的传统方法相比，该方法可以降低运营成本并保持准确的不确定性估计。
-
迪卡侬采用时间序列基础模型实现可扩展的需求预测
迪卡侬正将其需求预测业务转向时间序列基础模型（TSFM），以应对管理跨多个地区数万种产品的预测所带来的可扩展性和效率挑战。尽管迪卡侬此前采用了DeepAR和Temporal Fusion Transformers等复杂模型，但持续再训练和基础设施管理的运营开销已成为一个重大障碍。TSFM提供了一种新方法，通过对时间序列数据进行广泛理解来入手，旨在减少持续系统运行和适应所需的精力。
-
Decathlon 利用 AWS 上的 Chronos-2 扩展需求预测能力
全球体育用品零售商 Decathlon 采用了 Chronos-2 预测模型来改进其需求预测能力。该公司评估了多个时间序列基础模型，并选择了 Chronos-2，因为它与之前使用 Amazon SageMaker DeepAR 和 Holt-Winters 的混合方法相比，能够以更低的运营复杂性提供更高的准确性。Decathlon 现在使用 Chronos-2 在 12 周和 52 周的预测期内，在 AWS 上运行系统，预测跨多个大陆…
-
新的DeRegiME模型改进了分布偏移下的概率预测
研究人员开发了DeRegiME，一种新颖的概率预测方法，旨在处理时间序列数据中的分布偏移。该方法使用深度混合专家模型和稀疏变分高斯过程，将潜在的不确定性状态与底层信号分离开来。DeRegiME提供了均值、残差和噪声的可解释分解，有效识别了变化点并提高了预测准确性。