Time-MoE: Mixture-of-Experts Tijdreeks Fundamenteel Model
Time-MoE is een autoregressief fundamenteel model op miljardenschaal voor universele tijdreeksvoorspelling, geïntroduceerd door Shi et al. in 2024 en geaccepteerd op ICLR 2025. Het combineert een decoder-only transformer-architectuur met schaarse Mixture-of-Experts (MoE) feed-forward lagen, waardoor het model kan schalen naar miljarden parameters terwijl slechts een kleine subset van expertnetwerken per token wordt geactiveerd—wat de capaciteit dramatisch vergroot zonder proportionele rekenkosten.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/nl/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: Een Getokeniseerd Fundamentmodel voor TijdreeksvoorspellingDeep learning↔ compare
- Mixture of ExpertsDeep learning↔ compare
- TimesFM: Een decoder-only foundation model voor tijdreeksvoorspellingDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →