实体
GIFT-Eval
GIFT-Eval
PulseAugur coverage of GIFT-Eval — every cluster mentioning GIFT-Eval across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
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。
-
新的专家混合（MoE）框架提高了时间序列预测的效率和准确性
研究人员开发了新的专家混合（MoE）框架用于时间序列预测，旨在提高效率和准确性。AME-TS 使用结构引导路由，将专家专业化与时间数据特征对齐，在较小规模上优于现有模型。Super-Linear 采用轻量级、频率专业化的线性专家和频谱门控，实现高效稳健的预测。动态 TMoE 通过根据检测到的分布变化动态实例化和修剪专家来解决非平稳数据问题，取得了最先进的性能。
-
Toto 2.0 模型在时间序列预测中展现出扩展优势
研究人员推出了 Toto 2.0，这是一套五个开放权重的时间序列预测模型，证明了扩展基础模型的有效性。这些模型使用单一配方进行训练，随着参数数量从 400 万增加到 25 亿，其预测质量得到提高。Toto 2.0 在三个关键预测基准测试：BOOM、GIFT-Eval 和 TIME 上取得了最先进的结果。