Time-MoE: Mixture-of-Experts Tidsrække Fundamentmodel
Time-MoE er en autoregressiv fundamentmodel i milliard-skala for universel tidsrækkesprognose, introduceret af Shi et al. i 2024 og accepteret på ICLR 2025. Den kombinerer en decoder-only transformer-arkitektur med sparse Mixture-of-Experts (MoE) feed-forward lag, hvilket muliggør, at modellen kan skaleres til milliarder af parametre, mens kun en lille delmængde af ekspertnetværk aktiveres pr. token – hvilket dramatisk øger kapaciteten uden proportionale beregningsomkostninger.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/da/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: En tokeniseret fundamentmodel til tidsserie-prognoserDyb læring↔ compare
- Mixture of ExpertsDyb læring↔ compare
- TimesFM: En grundmodel kun med dekoder til tidsserieprognoserDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →