Model de fonament autoregressiu d'escala mil-miliardà per a la predicció universal de sèries temporals, Time-MoE
Time-MoE és un model de fonament autoregressiu d'escala mil-miliardà per a la predicció universal de sèries temporals, introduït per Shi et al. el 2024 i acceptat a ICLR 2025. Combina una arquitectura transformer de sol codificador amb capes d'alimentació disperses de Mixture-of-Experts (MoE), que permeten que el model escali a milers de milions de paràmetres mentre activa només un petit subconjunt de xarxes expertes per testimoni, augmentant dràsticament la capacitat sense un cost computacional proporcional.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Shi, X., Wang, S., Nie, Y., Li, D., Ye, Z., Wen, Q., & Jin, M. (2024). Time-MoE: Billion-scale time series foundation models with mixture of experts. ICLR 2025. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/ca/deep-learning/time-moe
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Chronos: Un model fundacional tokenitzat per a la predicció de sèries temporalsAprenentatge profund↔ compare
- Mixture of ExpertsAprenentatge profund↔ compare
- TimesFMAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →