Google Research предлагает новый подход к временным рядам

Команда Google Research представила исследование, которое может радикально изменить работу с временными рядами — одним из самых распространённых типов данных в экономике, науке ^[1] и промышленности.

Подобно маловыборочному запросу к большой языковой модели (слева), базовая модель временных рядов должна поддерживать маловыборочный запрос с произвольным числом связанных контекстных примеров временных рядов (справа). Оранжевый прямоугольник выделяет входные данные для моделей.

До сих пор анализ таких данных требовал создания отдельных моделей под каждую задачу: прогноз энергопотребления, движение цен на бирже, мониторинг климата или расписание поставок. Но новая методика TimesFM-ICF (in-context fine-tuning) переносит на этот тип данных принципы few-shot обучения ^[2], знакомые по языковым моделям.

Объединение контекстных примеров без разделителей может запутать модель — несколько монотонных трендов могут выглядеть как зазубренный, непрерывный шаблон при наивном объединении.

Суть подхода в том, что модель получает «на вход» несколько примеров вместе с историей данных, после чего способна адаптироваться к новой задаче без отдельного переобучения. То есть вместо недель или месяцев работы с датасетами теперь достаточно пары минут для настройки.

TimesFM-ICF улучшает производительность TimesFM (Base) по сравнению со многими узкоспециализированными моделями и достигает той же производительности, что и TimesFM-FT, которая является версией TimesFM, точно настроенной для каждого конкретного набора данных, соответственно.

Эксперименты на 23 разных наборах данных показали прирост точности на 6,8% по сравнению с классическими методами. Причём качество прогнозов оказалось сопоставимо с тем, что показывают модели, обученные под конкретные задачи.

Это открывает новые горизонты:

• для финансовых организаций — быстрый анализ рынков в реальном времени,

• для энергетики — более гибкие прогнозы потребления и распределения ресурсов,

• для здравоохранения — мониторинг состояния пациентов с учётом динамики показателей.

Google делает ставку на универсальность. Вместо сотен моделей для каждой отрасли одна база может адаптироваться к любому применению. Такой подход удешевляет разработку, ускоряет внедрение и потенциально меняет рынок прогнозной аналитики.

Делегируйте часть рутинных задач вместе с BotHub! ^[3] Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке ^[4] вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!

Источник ^[5]

Автор: cognitronn

Источник ^[6]

Сайт-источник BrainTools: https://www.braintools.ru

Путь до страницы источника: https://www.braintools.ru/article/19886

URLs in this post:

[1] науке: http://www.braintools.ru/article/7634

[2] обучения: http://www.braintools.ru/article/5125

[3] BotHub!: https://bothub.chat/?utm%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C_source=contentmarketing&utm%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C_medium=habr&utm%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C_campaign=news&utm%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C%5C_content=GOOGLE%20RESEARCH%20PROPOSES%20NEW%20APPROACH%20TO%20TIME%20SERIES

[4] По ссылке: https://bothub.chat/?invitedBy=m_aGCkuyTgqllHCK0dUc7

[5] Источник: https://research.google/blog/time-series-foundation-models-can-be-few-shot-learners/

[6] Источник: https://habr.com/ru/companies/bothub/news/950200/?utm_source=habrahabr&utm_medium=rss&utm_campaign=950200

Нажмите здесь для печати.