Falcon TST 2.0获世界权威测评第一名，推动时间序列基础模型从通用预测走向金融应用

Falcon TST 2.0获世界权威测评第一名，推动时间序列基础模型从通用预测走向金融应用
量子位 量子位 ·
基于 Amazon SageMaker AI 部署 Chronos-Bolt 实现零样本时序预测

基于 Amazon SageMaker AI 部署 Chronos-Bolt 实现零样本时序预测
亚马逊AWS官方博客 亚马逊AWS官方博客 ·
近8年后，谷歌Transformer继任者「Titans」来了，上下文记忆瓶颈被打破

近8年后，谷歌Transformer继任者「Titans」来了，上下文记忆瓶颈被打破
机器之心 机器之心 ·

本研究提出了xPatch模型，旨在解决变换器模型在时序预测中未能充分利用时间关系的问题。xPatch采用双流架构，结合季节-趋势分解模块、MLP线性流和CNN非线性流，显著提升了预测性能并有效防止过拟合。

xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition
BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·
新视角设计下一代时序基础模型，Salesforce推出Moirai-MoE

新视角设计下一代时序基础模型，Salesforce推出Moirai-MoE
机器之心 机器之心 ·

本文提出了一种新的扩散模型训练方法，结合时间动态信息以增强时序预测能力。通过DiffDA数据同化方法，生成与观测一致的全球大气同化数据，并展示其在偏微分方程求解中的应用潜力。此外，研究探讨了无训练条件扩散模型在随机微分方程建模中的优势，显著提高了预测效率和准确性。

关于用于偏微分方程模拟的条件扩散模型
BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

本文介绍了SSDNet，一种结合Transformer架构和状态空间模型的深度学习方法，用于时序预测，能够提供准确且可解释的趋势和季节性预测。SSDNet在多个数据集上表现优异，超越了现有方法。同时，文章探讨了状态空间模型的最新研究进展及其在机器学习中的应用，强调未来研究方向。

通过深度状态空间模型的频谱视角评估时间序列训练数据集
BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·
LLM用于时序预测真的不行，连推理能力都没用到

LLM用于时序预测真的不行，连推理能力都没用到
机器之心 机器之心 ·

本文介绍了多种基于状态空间模型（SSM）的时序预测模型，如S-Mamba和D-Mamba，强调其在节省GPU内存和训练时间的同时提升性能。Mamba模型在语言、音频和基因组等领域表现优异，尤其在处理长序列时显著快于Transformer。此外，研究还提出了SegMamba、Graph-Mamba和PointMamba等新模型，分别在医学图像分割、图网络预测和点云分析中取得了先进性能，展示了SSM在多种任务中的潜力。

将 Mamba 和 Transformer 整合用于长短程时间序列预测
BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证