Moirai: Universell transformator for tidsserieprognoser
Moirai er en grunnmodell for universell tidsserieprognose introdusert av Gerald Woo og kolleger ved Salesforce Research i 2024 og presentert på ICML. Kjern ideen er å forhåndstrene en enkelt stor transformator på et eksepsjonelt mangfoldig korpus av tidsseriedata (LOTSA) som spenner over mange domener og frekvenser, noe som muliggjør null-skudds- og få-skudds-prognoser på usette datasett uten oppgavespesifikk retrening. Moirai benytter lappebasert tokenisering, enhver-variabel oppmerksomhet, og et utgangshode med en blanding av distribusjoner for å håndtere variable frekvenser, flere variabler, og sannsynlighetsprognoser i en enhetlig arkitektur.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/no/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: En tokenisert grunnmodell for tidsserieprognoserDyp læring↔ compare
- PatchTSTDyp læring↔ compare
- TimesFM: En grunnmodell kun med dekoder for tidsserieprognoserDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →