Time-MoE: แบบจำลองพื้นฐานอนุกรมเวลาแบบผสมผสานผู้เชี่ยวชาญ (Mixture-of-Experts)
Time-MoE เป็นแบบจำลองพื้นฐานแบบอัตถิปจเจก (autoregressive) ขนาดพันล้านพารามิเตอร์สำหรับการพยากรณ์อนุกรมเวลาแบบครอบจักรวาล ซึ่งนำเสนอโดย Shi และคณะ ในปี 2024 และได้รับการยอมรับในงาน ICLR 2025 แบบจำลองนี้ผสมผสานสถาปัตยกรรมทรานส์ฟอร์มเมอร์แบบถอดรหัสเท่านั้น (decoder-only) เข้ากับชั้นป้อนป้อน (feed-forward) แบบผสมผสานผู้เชี่ยวชาญ (Mixture-of-Experts - MoE) ที่เบาบาง ทำให้แบบจำลองสามารถขยายขนาดได้ถึงพันล้านพารามิเตอร์ โดยเปิดใช้งานเพียงส่วนย่อยของผู้เชี่ยวชาญเครือข่ายต่อโทเค็นหนึ่งโทเค็นเท่านั้น ซึ่งเป็นการเพิ่มขีดความสามารถอย่างมากโดยไม่เพิ่มต้นทุนการประมวลผลตามสัดส่วน
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Time-MoE (Mixture-of-Experts Time-Series Foundation Model). ScholarGate. https://scholargate.app/th/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: แบบจำลองพื้นฐานแบบโทเค็นสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- Mixture of Expertsการเรียนรู้เชิงลึก↔ compare
- TimesFM: แบบจำลองพื้นฐานแบบถอดรหัสเท่านั้นสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare