Moirai: Ένα καθολικό μοντέλο Transformer για πρόβλεψη χρονοσειρών
Το Moirai είναι ένα θεμελιώδες μοντέλο για καθολική πρόβλεψη χρονοσειρών που εισήχθη από τον Gerald Woo και συνεργάτες στην Salesforce Research το 2024 και παρουσιάστηκε στο ICML. Η κεντρική ιδέα είναι η προ-εκπαίδευση ενός μοναδικού, μεγάλου μοντέλου Transformer σε ένα εξαιρετικά ποικιλόμορφο σώμα δεδομένων χρονοσειρών (LOTSA) που καλύπτει πολλούς τομείς και συχνότητες, επιτρέποντας προβλέψεις μηδενικών δειγμάτων (zero-shot) και λίγων δειγμάτων (few-shot) σε αθέατα σύνολα δεδομένων χωρίς επανα-εκπαίδευση ειδική για την εργασία. Το Moirai χρησιμοποιεί τοκενοποίηση βασισμένη σε τμήματα (patch-based tokenization), προσοχή σε οποιαδήποτε μεταβλητή (any-variate attention) και μια κεφαλή εξόδου με μίγμα κατανομών (mixture-of-distributions) για τη διαχείριση μεταβλητών συχνοτήτων, πολλαπλών μεταβλητών και πιθανοτικών προβλέψεων σε μια ενοποιημένη αρχιτεκτονική.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/el/deep-learning/moirai
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: Ένα Tokenized Foundation Model για Πρόβλεψη ΧρονοσειρώνΒαθιά Μάθηση↔ compare
- PatchTSTΒαθιά Μάθηση↔ compare
- TimesFM: Ένα Μοντέλο Θεμελίωσης Μόνο με Αποκωδικοποιητή για Πρόβλεψη ΧρονοσειρώνΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →