Moirai: univerzalni Transformer za prognoziranje vremenskih nizova
Moirai je temeljni model za univerzalno prognoziranje vremenskih nizova koji su 2024. godine predstavili Gerald Woo i njegovi kolege iz Salesforce Researcha, a prikazan je na konferenciji ICML. Ključna ideja jest pred-treniranje jedinstvenog, velikog Transformera na iznimno raznolikom korpusu podataka vremenskih nizova (LOTSA) koji obuhvaća mnoge domene i frekvencije, omogućujući prognoziranje u nultom (zero-shot) i malom broju primjera (few-shot) na neviđenim skupovima podataka bez ponovnog treniranja specifičnog za zadatak. Moirai koristi patch-baziranu tokenizaciju, any-variate pozornost i izlaznu glavu tipa mixture-of-distributions za obradu varijabilnih frekvencija, višestrukih varijabli i probabilističkog predviđanja u jedinstvenoj arhitekturi.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/hr/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: Temeljni model utemeljen na tokenima za prognoziranje vremenskih nizovaDuboko učenje↔ compare
- PatchTSTDuboko učenje↔ compare
- TimesFM: Model temeljne namjene s dekoderom za prognoziranje vremenskih nizovaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →