Time-MoE: Modello Fondazionale Autoregressivo per Serie Storiche basato su Mixture-of-Experts
Time-MoE è un modello fondazionale autoregressivo su scala di miliardi di parametri per la previsione universale di serie storiche, introdotto da Shi et al. nel 2024 e accettato all'ICLR 2025. Combina un'architettura transformer decoder-only con layer feed-forward sparse Mixture-of-Experts (MoE), consentendo al modello di scalare a miliardi di parametri attivando solo un piccolo sottoinsieme di reti esperte per token—aumentando drasticamente la capacità senza un costo computazionale proporzionale.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/it/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.
- ChronosApprendimento profondo↔ compare
- Mixture of ExpertsApprendimento profondo↔ compare
- TimesFMApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →