TiRex: xLSTM ile Sıfır-Çekim Zaman Serisi Tahmini
TiRex (xLSTM-based Zero-Shot Forecasting Model) · Ayrıca şöyle bilinir: Time-series xLSTM Forecaster, TiRex Zero-Shot, xLSTM Time-Series Model, Zaman Serisi Sıfır-Atım Tahmincisi
TiRex, 2025 yılında NX-AI xLSTM ekibi (Auer ve ark.) tarafından tanıtılan, önceden eğitilmiş sıfır-çekim zaman serisi tahmin modelidir. Genişletilmiş Uzun Kısa Süreli Bellek (xLSTM) mimarisi üzerine kurulu olan TiRex, çeşitli zaman serisi veri kümeleri üzerinde büyük ölçekte eğitilmiştir ve herhangi bir ince ayar yapmadan görülmemiş veri kümelerini tahmin edebilir. Temel fikri, geliştirilmiş bağlam içi öğrenmeden yararlanmaktır: model, mevcut tüm geçmişi bir bağlam olarak okur ve doğrudan bu bağlamdan hem kısa hem de uzun ufuklar için tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TiRex, belirli bir zaman serisi için etiketli eğitim verisinin kıt, mevcut olmadığı veya elde edilmesinin maliyetli olduğu durumlarda, sıfır-çekim genellemesinin değerli olduğu durumlarda iyi uygundur. Tek bir modelde hem kısa hem de uzun tahmin ufuklarını ele alır. Temel varsayımlar, girdi serilerinin yama tabanlı belirteçleme için yeterince düzenli olduğu ve ön eğitim dağılımının benzer alanları kapsadığıdır. Alan özgü ince ayarın mümkün olduğu ve bireysel model bileşenlerinin yorumlanabilirliğinin gerekli olduğu durumlarda daha az uygundur. Alternatifler arasında Chronos, TimesFM veya alan özgü LSTM/Transformatör taban çizgileri bulunur.
Güçlü yönler & sınırlılıklar
- Sıfır-çekim tahmini, veri kümesine özgü eğitim veya ince ayar ihtiyacını ortadan kaldırır
- xLSTM omurgası, yüksek kapasiteli matris bellek hücreleriyle verimli sıralı işlem sağlar
- Tek bir birleşik modelde hem kısa ufuklu hem de uzun ufuklu tahmini destekler
- Olasılıksal çıktı başlığı, nokta tahminlerinin yanı sıra belirsizlik nicelemesini sağlar
- Sabit bir veri kümesi üzerinde önceden eğitilmiştir; alışılmadık dinamiklere sahip dağıtım dışı seriler, düşürülmüş doğruluk sağlayabilir
- Yama tabanlı belirteçleme, yerel olarak tutarlı zamansal yapı varsayar, bu da yüksek derecede düzensiz veya seyrek seriler için geçerli olmayabilir
- Büyük önceden eğitilmiş model boyutu, çıkarım gecikmesini ve bellek gereksinimlerini hafif taban çizgilerine kıyasla artırabilir
- Bağlam içi öğrenme kapasitesi, modelin bağlam penceresi uzunluğu ile sınırlıdır, bu da çok uzun geçmiş girdileri sınırlar
SSS
TiRex'in kullanımdan önce veri kümem üzerinde herhangi bir ince ayar yapması gerekiyor mu?
Hayır. TiRex sıfır-çekim kullanımı için tasarlanmıştır: önceden eğitilmiş model, herhangi bir gradyan güncellemesi olmadan çıkarım zamanında görülmemiş serilere doğrudan uygulanır. Bağlam içi öğrenme mekanizması, girdi geçmişini okuyarak tahmini zımnen uyarlar, bu nedenle dağıtım için etiketli hedef veriye gerek yoktur.
TiRex, PatchTST gibi Transformatör tabanlı tahmin modellerinden nasıl farklıdır?
TiRex, öz-dikkat katmanları yerine xLSTM tekrarlı blokları kullanır. xLSTM, yama dizisini tekrarlı olarak işler ve bağlamı bir gizli duruma sıkıştırırken, dikkat tabanlı modeller tüm yamalar arasında ikili etkileşimler hesaplar. Bu tekrarlı tasarım, uzun bağlamlar için daha bellek açısından verimli olabilir ve TiRex'in bağlam içi öğrenme paradigmasıyla uyumludur.
TiRex tahmin aralıkları üretebilir mi, yoksa yalnızca nokta tahminleri mi?
TiRex, tahmin ufku üzerinde tahmin edici bir dağılım çıkaran olasılıksal bir tahmin başlığı içerir. Bu, nokta tahminlerine ek olarak nicem tahminleri ve tahmin aralıkları üretilmesini sağlar, bu da kullanıcılara aşağı akış karar verme süreçlerinde tahmin belirsizliğini açıkça iletmelerine olanak tanır.
Kaynaklar
- Auer, A., Podest, P., Klotz, D., Böck, S., Klambauer, G., & Hochreiter, S. (2025). TiRex: Zero-shot forecasting across long and short horizons with enhanced in-context learning. arXiv preprint. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). TiRex (xLSTM-based Zero-Shot Forecasting Model). ScholarGate. https://scholargate.app/tr/deep-learning/tirex
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
- LSTMDerin öğrenme↔ karşılaştır
- TimesFM: Zaman Serileri Tahmini için Yalnızca Kod Çözücü Temelli Bir ModelDerin öğrenme↔ karşılaştır