Moirai: Uniwersalny Transformer do prognozowania szeregów czasowych
Moirai to model bazowy do uniwersalnego prognozowania szeregów czasowych, wprowadzony przez Geralda Woo i współpracowników z Salesforce Research w 2024 roku i zaprezentowany na konferencji ICML. Główną ideą jest wstępne trenowanie jednego dużego Transformera na wyjątkowo zróżnicowanym korpusie danych szeregów czasowych (LOTSA), obejmującym wiele domen i częstotliwości, co umożliwia prognozowanie w trybie zero-shot i few-shot na niewidzianych wcześniej zbiorach danych bez potrzeby ponownego trenowania specyficznego dla zadania. Moirai wykorzystuje tokenizację opartą na łatkach (patch-based tokenization), mechanizm uwagi obejmujący wszystkie warianty (any-variate attention) oraz głowicę wyjściową opartą na mieszaninie rozkładów (mixture-of-distributions) do obsługi zmiennych częstotliwości, wielu wariantów i prognozowania probabilistycznego w ujednoliconej architekturze.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/pl/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: Tokenizowany model podstawowy do prognozowania szeregów czasowychUczenie głębokie↔ compare
- PatchTSTUczenie głębokie↔ compare
- TimesFM: Model Fundacyjny Tylko z Dekoderem do Prognozowania Szeregów CzasowychUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →