AIGC動態(tài)歡迎閱讀

原標(biāo)題：超越Transformer，全面升級！MIT等華人團(tuán)隊發(fā)布通用時序TimeMixer++架構(gòu)，8項任務(wù)全面領(lǐng)先
關(guān)鍵字：時序,模型,尺度,任務(wù),序列
文章來源：新智元
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

新智元報道編輯：LRST
【新智元導(dǎo)讀】TimeMixer++是一個創(chuàng)新的時間序列分析模型，通過多尺度和多分辨率的方法在多個任務(wù)上超越了現(xiàn)有模型，展示了時間序列分析的新視角，在預(yù)測和分類等任務(wù)帶來了更高的準(zhǔn)確性和靈活性。在數(shù)據(jù)驅(qū)動的時代，時間序列分析成為了許多領(lǐng)域中不可或缺的一部分，比如氣象預(yù)測、醫(yī)學(xué)癥狀分類、航天器的異常檢測、以及傳感器數(shù)據(jù)中缺失數(shù)據(jù)的填充等等，這些應(yīng)用具體涉及到時間序列預(yù)測、分類、異常檢測、缺失值填充等任務(wù)。
如何使用一個模型，同時勝任所有任務(wù)？
近些年來，包括Transformer架構(gòu)在內(nèi)的一系列工作，雖然在細(xì)分任務(wù)上展現(xiàn)出色的性能，但由于缺乏靈活和通用的時序特征的提取能力，無法成為通用的模型架構(gòu)。
為了解決這些問題，來自MIT、港科大、浙大以及格里菲斯大學(xué)的華人團(tuán)隊聯(lián)合推出了一種全新的深度模型架構(gòu)TimeMixer++，在長程時序預(yù)測、短程時序預(yù)測、時序分類、異常檢測等8項時序任務(wù)上的效能全面超越了Transformer等模型，實現(xiàn)了通用的時間序列建模和應(yīng)用。論文鏈接：https://arxiv.org/pdf/2410.16032
TimeMixer++的通

原文鏈接：超越Transformer，全面升級！MIT等華人團(tuán)隊發(fā)布通用時序TimeMixer++架構(gòu)，8項任務(wù)全面領(lǐng)先

聯(lián)系作者

文章來源：新智元
作者微信：
作者簡介：