Time-MoE: Mixture-of-Experts Time-Series Foundation Model
Time-MoE on miljardin parametrin autoregressiivinen perusmalli yleiskäyttöiseen aikasarjaennustamiseen, jonka Shi et al. esittelivät vuonna 2024 ja joka hyväksyttiin ICLR 2025 -konferenssiin. Se yhdistää dekooderipohjaisen transformer-arkkitehtuurin harvoihin Mixture-of-Experts (MoE) -syöteverkkokerroksiin, mahdollistaen mallin skaalautumisen miljardeihin parametreihin samalla kun vain pieni osa asiantuntijaverkostoista aktivoituu kutakin tokenia kohden – lisäten kapasiteettia dramaattisesti ilman suhteellista laskentakustannusten kasvua.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/fi/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: Tokenisoitu perusmalli aikasarjaennustamiseenSyväoppiminen↔ compare
- Asiantuntijoiden sekoitusSyväoppiminen↔ compare
- TimesFM: Perusmalli aikasarjaennustamiseen vain dekooderillaSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →