Sundial : modèles fondamentaux génératifs pour séries temporelles
Sundial est une famille de modèles fondamentaux génératifs pour séries temporelles introduite par Yong Liu et ses collègues de l'Université Tsinghua (ICML 2025). Pré-entraîné sur de vastes et divers corpus de séries temporelles, Sundial emploie une architecture basée sur la décomposition associée à une tête de prévision générative pour produire des prévisions probabilistes multi-horizons. Il représente une évolution vers des modèles à usage général, capables de généralisation zéro-coup (zero-shot), pour les tâches de prédiction temporelle du monde réel.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Liu, Y., Qin, G., Shi, X., Hu, T., Wang, J., & Long, M. (2025). Sundial: A family of highly capable time series foundation models. ICML. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). Sundial (Generative Time-Series Foundation Models). ScholarGate. https://scholargate.app/fr/deep-learning/sundial
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.
- ChronosApprentissage profond↔ compare
- Moirai : Transformer universel pour la prévision de séries temporellesApprentissage profond↔ compare
- TimesFMApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →