GIFT-Eval
PulseAugur coverage of GIFT-Eval — every cluster mentioning GIFT-Eval across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
New ScaleIn method improves time series foundation models
研究人员推出了一种新颖的时间序列基础模型（TSFM）训练方法ScaleIn，旨在解决数据集中显著尺度变化带来的问题。现有的Reversible Instance Normalization（ReVIN）等方法可能会无意中根据尺度对序列进行加权，导致ScaleCon，即大尺度序列主导训练。然而，ScaleIn确保了优化轨迹对训练序列的任意重缩放都保持不变，无论使用何种损失函数，只要它是p次齐次的。这种方法已展示出显著的改进，在GIFT-…
-
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。
-
FlowTSFM 引入新颖的循环传输用于时间序列模型
研究人员引入了 FlowTSFM，一种用于时间序列基础模型的新颖编码器架构，它利用深度作为循环传输过程。FlowTSFM 使用单个块进行迭代，共享参数，而不是使用多个独立的 Transformer 层，并通过引导中间状态的分位数流目标进行监督。这种方法旨在用更少的参数创建更具结构化的预测轨迹。
-
Tabby：开源时间序列基础模型发布
研究人员发布了Tabby，一个开源的概率性时间序列基础模型，专为长上下文设计。Tabby采用仅编码器的patch Transformer架构，并在多样化的真实世界和合成数据集语料库上进行了训练。该模型支持多种下游任务，包括预测、分类和异常检测，在多个基准测试中取得了具有竞争力的零样本性能。这一进展符合创建大型语言模型之外的基础模型的更广泛趋势，将其能力扩展到时间序列等结构化数据。
-
IBM 发布性能领先的 Granite Time Series PatchTST-FM-r2 模型，采用开放许可
IBM 发布了其新的 Granite Time Series PatchTST-FM-r2 模型，这是一个专为通用零样本时间序列预测设计的基金模型。该模型拥有约 3.85 亿个参数，提供概率预测，处理缺失值，并在可复现的零样本模型中，在 GIFT-Eval 基准测试上取得了领先性能，且具有宽松的许可。该模型的架构结合了 conformer 块与自注意力机制和时间卷积，其权重、代码和基准测试结果均可在 Apache 2.0 和 Open…
-
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…
-
新的SATS方法提高了时间序列基础模型的预训练效率
研究人员推出了一种新颖的时间序列基础模型预训练方法SATS，该方法旨在处理具有不同采样频率的异构数据集。SATS采用了一种具有尺度感知的令牌对齐机制，将块大小明确视为一个尺度，并使用受对比学习启发的正则化器来对齐不同尺度下的表示空间。此外，一种混合掩码策略结合了随机和连续掩码，以更好地捕捉多尺度时间结构。在LSTF基准测试上的实验表明，SATS比现有方法在MSE上提高了9.2%，在MASE上提高了8.3%，同时模型效率也提高了65.6%。
-
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。
-
Google Research 发布 TimesFM 2.5，用于零样本时间序列预测
Google Research 发布了 TimesFM 2.5，这是一个开源的时间序列预测基础模型。该模型拥有 2 亿个参数和高达 16,384 个点的上下文窗口，无需特定任务的训练数据即可预测未来趋势，以零样本（zero-shot）方式运行。与 Auto ARIMA 等传统方法相比，它在基准测试中显示出更高的准确性，平均绝对误差（Mean Absolute Error）降低了 15-25%，尽管其在某些稳定时间序列上的表现可能与经典…
-
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。
-
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。