Time-MoE: Modelo Fundacional de Series Temporales de Mezcla de Expertos
Time-MoE es un modelo fundacional autorregresivo a escala de miles de millones para la predicción universal de series temporales, introducido por Shi et al. en 2024 y aceptado en ICLR 2025. Combina una arquitectura transformer de solo decodificador con capas de avance de Mezcla de Expertos (MoE) dispersas, lo que permite que el modelo escale a miles de millones de parámetros mientras activa solo un pequeño subconjunto de redes expertas por token, aumentando drásticamente la capacidad sin un costo computacional proporcional.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/es/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.
- ChronosAprendizaje profundo↔ compare
- Mezcla de ExpertosAprendizaje profundo↔ compare
- TimesFMAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →