Moirai: Trasformatore Universale per la Previsione di Serie Storiche
Moirai è un modello fondazionale per la previsione universale di serie storiche introdotto da Gerald Woo e colleghi presso Salesforce Research nel 2024 e presentato all'ICML. L'idea centrale è pre-addestrare un singolo grande Transformer su un corpus eccezionalmente diversificato di dati di serie storiche (LOTSA) che abbraccia molti domini e frequenze, abilitando previsioni zero-shot e few-shot su dataset non visti senza riaddestramento specifico per il task. Moirai impiega tokenizzazione basata su patch, attenzione any-variate e una testa di output a mistura di distribuzioni per gestire frequenze variabili, variate multiple e previsione probabilistica in un'architettura unificata.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/it/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.
- ChronosApprendimento profondo↔ compare
- PatchTSTApprendimento profondo↔ compare
- TimesFMApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →