Moirai: Evrensel Zaman Serisi Tahmin Transformer'ı
Moirai (Universal Time-Series Forecasting Transformer) · Ayrıca şöyle bilinir: Unified Time-Series Transformer, Universal Forecasting Transformer, MOIRAI, Evrensel Zaman Serisi Tahmin Transformatörü
Moirai, Gerald Woo ve Salesforce Research'teki meslektaşları tarafından 2024 yılında tanıtılan ve ICML'de sunulan evrensel zaman serisi tahmini için bir temel modeldir. Temel fikir, birçok alana ve frekansa yayılan olağanüstü çeşitli zaman serisi verisi (LOTSA) içeren bir derlem üzerinde tek bir büyük Transformer'ı önceden eğitmektir; bu, görev özelinde yeniden eğitim yapmadan görülmemiş veri kümelerinde sıfır-çekim (zero-shot) ve az-çekim (few-shot) tahmine olanak tanır. Moirai, değişken frekansları, çoklu değişkenleri ve olasılıksal tahmini birleşik bir mimaride ele almak için yama tabanlı belirteçleme (tokenization), her-değişkenli (any-variate) dikkat ve dağılımlar karışımı (mixture-of-distributions) çıktı başlığı kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Moirai, hedef zaman serisi için etiketli eğitim verisinin kıt veya mevcut olmadığı durumlarda, sıfır-çekim veya az-çekim tahminini cazip hale getirdiğinde en uygunudur. Farklı frekanslara sahip birçok farklı serinin tek bir dağıtılabilir modelle tahmin edilmesi gereken çeşitli kurumsal ortamlar için uygundur. Temel varsayımlar, hedef alanın ön eğitim derleminden temelde farklı olmadığıdır. Hedef serinin genel zamansal örüntülerin oldukça dışında, yüksek derecede alan özgü yapıya sahip olduğu veya yorumlanabilirlik ve kesin istatistiksel garantilerin gerekli olduğu durumlarda daha az uygundur. Alternatifler arasında Chronos, TimesFM ve daha basit ayarlar için ETS veya ARIMA gibi klasik istatistiksel modeller yer alır.
Güçlü yönler & sınırlılıklar
- Yeniden eğitim yapmadan çeşitli alanlar ve frekanslar arasında sıfır-çekim genellemesi
- Dağılımlar karışımı başlığı aracılığıyla olasılıksal çıktı, kalibre edilmiş belirsizlik nicemlemesi sağlar
- Her-değişkenli dikkat, tek bir mimaride hem tek değişkenli hem de çok değişkenli serileri işler
- Büyük LOTSA derlemi üzerinde önceden eğitilmiş, hedef alan veri kümelerine olan ihtiyacı azaltır
- Çıkarım maliyeti, ETS veya ARIMA gibi hafif istatistiksel modellerden daha yüksektir
- Ön eğitim verilerinde yetersiz temsil edilen, yüksek derecede alan özgü dinamiklere sahip serilerde performans düşebilir
- Temel model paradigması, klasik ayrıştırma yöntemlerine kıyasla sınırlı yorumlanabilirlik sunar
- Dikkatli bağlam penceresi seçimi gerektirir; çok uzun geçmiş bağlamlar bellek ve gecikme bütçelerini zorlayabilir
SSS
Moirai'nin faydalı olması için hedef veriler üzerinde ince ayar yapması gerekir mi?
Hayır. Moirai, sıfır-çekim tahmini için tasarlanmıştır, yani tamamen yeni bir zaman serisi üzerinde herhangi bir görev özelinde eğitim yapmadan tahminler üretebilir. Ancak, isteğe bağlı az-çekim ince ayarı, küçük bir hedef veri örneği üzerinde yapıldığında, sıfırdan tam yeniden eğitim gerektirmeden doğruluğu daha da artırabilir.
Moirai, farklı örnekleme frekanslarına sahip zaman serilerini nasıl ele alır?
Moirai, farklı zamansal granülerliklere karşılık gelen birden fazla yama boyutunu destekler. Çıkarım zamanında, uygun yama boyutu, girdi serisinin frekans meta verilerine göre seçilir ve aynı modelin ayrı model varyantları olmadan birleşik bir mimari altında saatlik, günlük, haftalık ve aylık verileri işlemesine olanak tanır.
Moirai ne tür belirsizlik tahminleri üretir?
Moirai'nin çıktı başlığı, tahmin ufku boyunca bir olasılık dağılımları karışımını (Normal, Student-t ve Negatif Binom bileşenleri gibi) parametrelendirir. Bu, yalnızca nokta tahminlerinin aksine olasılıksal karar vermeyi destekleyen, nicel tahminler, tahmin aralıkları ve beklenen değerlerin türetilebileceği tam tahmin dağılımları sağlar.
Kaynaklar
- Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Moirai (Universal Time-Series Forecasting Transformer). ScholarGate. https://scholargate.app/tr/deep-learning/moirai
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Chronos: Zaman Serisi Tahmini için Tokenize Edilmiş Temel ModelDerin öğrenme↔ karşılaştır
- TimesFM: Zaman Serileri Tahmini için Yalnızca Kod Çözücü Temelli Bir ModelDerin öğrenme↔ karşılaştır