[代码地址](github.com/SalesforceAI)[论文地址](arxiv.org/abs/2410.1046)Motivation目前虽有不少时序基础模型已经提出,但如何有效地在高度多样化的时序数据上训练仍是一个开放问题。训练它们的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了在模型中设计专业化模块的必要性。现有的解决方案...
https://arxiv.org/abs/2410.10469 【代码仓库】https://github.com/SalesforceAIResearch/uni2ts/tree/main/project/moirai-moe-1 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业...
模型性能方面，不同于仅在少量数据集上进行评估的已有时序基础模型，Moirai-MoE 在一共 39 个数据集上进行了广泛评估，充分验证了其优越性。论文标题：Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts论文地址：https://arxiv.org/abs/2410.10469代码仓库：https://github.com...
Github:https://github.com/SalesforceAIResearch/uni2ts/tree/main/project/moirai-moe-1 关键词:时间序列预测,基础模型,混合专家系统 圆圆的算法笔记:Salesforce推出Moirai-MoE,新视角设计下一代时序基础模型 时序人:Salesforce 推出 Moirai-MoE,新视角设计下一代时序基础模型 机器之心:新视角设计下一代时序基础模...
代码仓库:https://github.com/SalesforceAIResearch/uni2ts 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业化模块的必要性。现有的解决方案主要分为两种。第一种是通过基于语言的提示来识别数据源,从而实现非常粗粒度的数据集级别模型专业化。第二种方案利用...
https://github.com/SalesforceAIResearch/uni2ts/tree/main/project/moirai-moe-1 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业化模块的必要性。现有的解决方案主要分为两种。 作者认为,这种人为强加的频率级专业化缺乏普适性,并引入了一些局限性。
代码仓库:https://github.com/SalesforceAIResearch/uni2ts 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业化模块的必要性。现有的解决方案主要分为两种。第一种是通过基于语言的提示来识别数据源,从而实现非常粗粒度的数据集级别模型专业化。第二种方案利用...
代码仓库:https://github.com/SalesforceAIResearch/uni2ts 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业化模块的必要性。现有的解决方案主要分为两种。第一种是通过基于语言的提示来识别数据源,从而实现非常粗粒度的数据集级别模型专业化。第二种方案利用...
代码仓库:https://github.com/SalesforceAIResearch/uni2ts 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业化模块的必要性。现有的解决方案主要分为两种。第一种是通过基于语言的提示来识别数据源,从而实现非常粗粒度的数据集级别模型专业化。第二种方案利用...
代码仓库:https://github.com/SalesforceAIResearch/uni2ts 研究动机 训练通用基础模型的一大挑战在于适应时间序列数据的高度异质性,这种时序数据的独特特性凸显了设计专业化模块的必要性。现有的解决方案主要分为两种。第一种是通过基于语言的提示来识别数据源,从而实现非常粗粒度的数据集级别模型专业化。第二种方案利用...