fev-bench
PulseAugur coverage of fev-bench — every cluster mentioning fev-bench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的动态解码策略提高了时间序列模型预测的准确性
研究人员为时间序列基础模型开发了一种新颖的动态多步解码策略,旨在提高预测准确性。该方法为每个预测实例自适应地选择最佳解码方法,而不是依赖于固定的策略。通过训练轻量级的选择器网络,根据骨干模型的隐藏状态对候选回滚计划进行排名,该系统可以提高点预测技能,尤其是在更长的预测期内。该方法不需要对预测骨干本身进行微调,并且在与 Chronos-2 和 Moirai-1.1-R-small 等模型一起使用时,在 fev-bench 等基准测试中显…
-
Timestral模型在时间序列预测方面设定新的SOTA · 跟踪2个来源
研究人员推出Timestral,这是一系列新颖的四种时间序列基础模型,专为概率预测而设计。这些模型拥有500万到2.09亿个参数,在GIFT-Eval、TIME和fev-bench等多个基准测试中取得了最先进的性能,其中较大的Timestral-209M和Timestral-123M模型在所有指标上均位列前两位。这些进展归功于解耦预测(DHF)技术、支持已知未来协变量的框架以及涉及合成预训练后混合真实和合成数据进行后训练的两阶段训练流…
-
Mistral AI 发布 Timestral 时间序列模型,性能超越 Google
Mistral AI 推出了 Timestral,一个包含四种时间序列基础模型的新系列,其中最大的模型拥有 2.09 亿个参数。这些模型在 GIFT-Eval、TIME 和 fev-bench 等关键基准测试中取得了最先进的性能,超越了包括 Google 的 TimesFM-3 在内的更大模型。值得注意的是,Timestral 模型设计为可在标准 CPU 上高效运行,无需 GPU,在准确性和可访问性之间取得了平衡,并为开发者提供了开放权重。
-
新的AI系统TIMERSI可自我改进时间序列预测流程
研究人员开发了TIMERSI,这是一个新颖的代理部署系统,旨在提高时间序列基础模型的性能。该系统通过使用一个编码代理根据历史数据进行错误引导的修订,来迭代地改进预测流程。然后,一个自适应选择器选择最佳流程进行部署,从而在广泛的任务中提高准确性。TIMERSI在TIME和FEV-bench等基准测试中表现出色,在点预测和概率预测指标上均优于现有提交。
-
Mistral AI 发布 Timestral 时间序列预测模型
Mistral AI 发布了 Timestral,这是一个专为零样本预测设计的时间序列基础模型系列。这些模型提供从 500 万到 2.09 亿的参数规模,支持单变量和多变量预测,并包含各种协变量类型和概率预测。2.09 亿参数版本在 GIFT-Eval、TIME 和 fev-bench 等基准测试中达到了最先进的准确度。源代码可在 GitHub 上以修改后的 MIT 许可证获取。
-
TimeRSI系统通过自改进代理增强时间序列模型部署
研究人员开发了TimeRSI,一个旨在改进时间序列基础模型在实际应用中部署的新颖系统。这个自改进代理部署系统通过使用一个编码代理将任务描述转换为可执行的管道更改。然后,该系统在历史数据上测试这些修订,并利用观察到的错误来指导进一步的修改。最终,一个自适应选择器在类似条件下为已完成的预测选择最佳管道,在众多任务和指标上优于现有方法。
-
Aurora-X:新基础模型推动时间序列预测发展
研究人员推出 Aurora-X,这是一种大规模时间序列基础模型,旨在克服训练潜力和架构通用性方面的限制。该模型采用渐进式课程,从通道无关的预训练开始,然后逐步纳入跨变量依赖关系和未来协变量。Aurora-X 采用新颖的模式引导混合专家模型,以实现高效的容量扩展,并采用隐式分位数网络头部,以实现灵活的概率预测。跨多个基准的实验表明,与现有模型相比,其性能达到了最先进水平。
-
Google AI 发布 TimesFM-3 用于多元时间序列预测
Google AI 推出了 TimesFM-3,这是一个拥有 3.3 亿参数的基础模型,专为多元时间序列预测而设计。与仅限于单变量预测的前代模型不同,TimesFM-3 能够联合预测多个相关时间序列,并在无需任务特定微调的情况下纳入过去和未来的外部因素。该模型通过采用一种新颖的架构,结合了交替因果时间注意力和全变量注意力机制,在 GIFT-Eval 和 TIME 排行榜等多个基准测试中取得了最先进的性能。虽然代码可在 Apache-2…
-
TinyCast:紧凑型零样本预测器以最少参数实现高精度
一种名为TinyCast的新时间序列预测模型已被推出,其设计紧凑,仅包含146,505个参数。该模型利用零参数频谱检测器来识别周期性,并采用扩张卷积作为其架构,使其适用于嵌入式设备。TinyCast在GIFT-Eval和Chronos-ZS等基准测试中实现了具有竞争力的概率精度,在参数数量和计算效率方面优于更大的模型。
-
TinyCast模型以最少参数实现最先进的零样本预测
研究人员推出了一种新颖的零样本预测模型TinyCast,该模型利用计算周期性而非学习周期性,使其仅用146,505个参数即可实现高效运行。该模型在GIFT-Eval和Chronos-ZS等基准测试中,尤其是在参数数量和概率准确性方面,优于现有的零样本模型。TinyCast的设计避免了训练步骤,并依赖于频谱检测器来检测周期性,这使其能够部署在嵌入式设备上并导出为静态INT8。
-
新研究解决了时间序列基础模型的训练和评估挑战
两篇新研究论文探讨了时间序列基础模型(TSFM)的训练和评估挑战。第一篇论文介绍了 ORBIT,一种新颖的训练范式,旨在控制分布特性,如领域不平衡和上下文需求,并用一个名为 Falcon-2.0 的 Transformer 模型证明了其有效性。第二篇论文在预测金融数据时,识别出 TSFM 中一种称为“预测崩溃”的现象,即预测变得平坦且排名不佳,并提出了一种新的目标函数 CalibRank 来解决这个问题。
-
TiRex-2模型通过xLSTM递归设计推进多元时间序列预测
研究人员推出TiRex-2,这是一种基于xLSTM架构的新型递归基础模型,专为多元时间序列预测而设计。该模型通过有效处理流数据和整合未来已知协变量同时保持因果关系,解决了现有基于Transformer方法的局限性。TiRex-2在GIFT-Eval和fev-bench等基准测试中实现了最先进的零样本性能,在流数据条件下提供了稳定的性能和恒定的推理成本。
-
TabPFN-3 以速度和规模推动表格数据预测
一份新的技术报告介绍了 TabPFN-3,这是一种先进的表格数据基础模型,显著提高了性能和速度。该模型可扩展到拥有多达 100 万行训练数据的表格数据集,与前代模型 TabPFN-2.5 相比,训练和推理时间大大缩短。TabPFN-3 在包括 TabArena 在内的各种基准测试中均取得了最先进的结果,并在时间序列、关系型和表格-文本数据预测方面展现出更强的能力。
-
TabPFN-3 模型提升表格数据预测和速度
一份新的技术报告介绍了 TabPFN-3,这是一款先进的表格数据基础模型,显著提高了性能和速度。该模型可扩展至包含多达一百万个训练行的数据集,并缩短了训练和推理时间,在 TabArena 等基准测试中表现优于现有模型。TabPFN-3 还将其能力扩展到时间序列、关系型和表格-文本数据,取得了新的最先进成果。