Time-MoE: Ein Foundation Model für Zeitreihen basierend auf Mixture-of-Experts
Time-MoE ist ein autoregressives Foundation Model im Milliardenmaßstab für universelle Zeitreihenprognosen, das von Shi et al. im Jahr 2024 eingeführt und auf der ICLR 2025 akzeptiert wurde. Es kombiniert eine Decoder-only Transformer-Architektur mit spärlichen Mixture-of-Experts (MoE) Feed-Forward-Schichten, was es dem Modell ermöglicht, auf Milliarden von Parametern zu skalieren, während nur eine kleine Teilmenge von Expertennetzwerken pro Token aktiviert wird – was die Kapazität dramatisch erhöht, ohne die Rechenkosten proportional zu steigern.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/de/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: Ein tokenisiertes Grundmodell für die ZeitreihenprognoseDeep Learning↔ compare
- Mixture of ExpertsDeep Learning↔ compare
- TimesFM: Ein Decoder-Only Foundation Model für ZeitreihenprognosenDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →