Time-MoE: En grunnmodell for tidsserier basert på Mixture-of-Experts
Time-MoE er en autoregressiv grunnmodell i milliard-skala for universell tidsserieprognostisering, introdusert av Shi et al. i 2024 og akseptert på ICLR 2025. Den kombinerer en decoder-only transformer-arkitektur med sparsomme Mixture-of-Experts (MoE) feed-forward-lag, noe som gjør at modellen kan skaleres til milliarder av parametere, samtidig som kun en liten delmengde av ekspernettverk aktiveres per token – noe som dramatisk øker kapasiteten uten proporsjonal beregningskostnad.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/no/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: En tokenisert grunnmodell for tidsserieprognoserDyp læring↔ compare
- Blanding av eksperterDyp læring↔ compare
- TimesFM: En grunnmodell kun med dekoder for tidsserieprognoserDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →