Time-MoE: مدل پایه سری زمانی مبتنی بر ترکیب متخصصان (Mixture-of-Experts)
Time-MoE یک مدل پایه خودبازگشتی (autoregressive) در مقیاس میلیارد پارامتری برای پیشبینی جهانی سریهای زمانی است که توسط Shi و همکاران در سال ۲۰۲۴ معرفی و در ICLR 2025 پذیرفته شد. این مدل معماری ترنسفورمر صرفاً رمزگشا (decoder-only) را با لایههای خوراک-به-خوراک (feed-forward) پراکنده مبتنی بر ترکیب متخصصان (Mixture-of-Experts - MoE) ترکیب میکند، که به مدل امکان میدهد تا به میلیاردها پارامتر مقیاسپذیر شود در حالی که تنها زیرمجموعه کوچکی از شبکههای متخصص را برای هر توکن فعال میکند—این امر ظرفیت را بدون هزینه محاسباتی متناسب به طور چشمگیری افزایش میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/fa/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.
- کرونوس: یک مدل بنیادی توکنسازیشده برای پیشبینی سریهای زمانییادگیری عمیق↔ compare
- ترکیبی از متخصصانیادگیری عمیق↔ compare
- TimesFM: یک مدل پایه فقط-رمزگشا برای پیشبینی سریهای زمانییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →