Time-MoE: universāls pamata modelis laika sēriju prognozēšanai, kas balstīts uz ekspertu maisījumu
Time-MoE ir miljardu parametru autoregresīvs pamata modelis universālai laika sēriju prognozēšanai, ko 2024. gadā ieviesa Shi et al. un kas tika pieņemts ICLR 2025. Tas apvieno tikai dekodera transformatora arhitektūru ar reti sastopamiem ekspertu maisījuma (MoE) tiešās izplatīšanas slāņiem, ļaujot modelim sasniegt miljardiem parametru, vienlaikus aktivizējot tikai nelielu daļu ekspertu tīklu katram tokenam — dramatiski palielinot jaudu bez proporcionālām aprēķinu izmaksām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/lv/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: Tokenizēts pamata modelis laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
- Ekspertu maisījumsDziļā mācīšanās↔ compare
- TimesFMDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →