NVIDIA Kumo Forecast, zaman serisi tahmininde geçmiş desen aramayı birleştiriyor
NVIDIA Kumo Forecast, önceden eğitilmiş zaman serisi temsilleri ile geçmiş desen arama (DARR) yöntemini birleştiren çok değişkenli bir tahmin modelidir. MOMENT-1-large omurgası üzerine kurulu model, doğrudan tahmin ve bağlam zenginleştirmeli tahmin modlarını destekler. Apache 2.0 lisansı altında açık kaynak olarak sunulur ve yorumlanabilirlik çerçevesi içerir.
Bu yazıda
Ne değişti?
Model, 340 milyon parametreli MOMENT-1-large omurgasını dondurulmuş ağırlıklarla kullanır ve yalnızca tahmin başlığını eğitir.
DARR modu, doğrudan tahminle geçmiş verilerden en yakın komşu yöntemiyle alınan desenleri birleştirerek bağlam zenginleştirmesi yapar.
Neden önemli?
Kumo Forecast, önceden öğrenilmiş temsiller ile uygulama bazlı geçmiş verileri birleştirerek tahmin doğruluğunu artırmayı hedefler. DARR modu, modelin yalnızca girdi penceresine değil, daha geniş tarihsel bağlama erişmesini sağlar. Bu yaklaşım, farklı zaman dilimlerinde genelleme yeteneğini destekler.
Geliştirici için ne anlama geliyor?
Geliştiriciler, Apache 2.0 lisanslı kütüphaneyi kullanarak hem doğrudan tahmin hem de DARR modunu yapılandırabilir. Model ağırlıkları ve kodu açık erişimdedir; kullanıcı verisiyle ince ayar için örnekler sunulur. Bu, zaman serisi projelerinde hazır altyapı sağlar.
Henüz neyi bilmiyoruz?
- Girdiler sayısal ve zamansal olmalı; desteklenen uzunluklar 256, 512, 1024 ve 2048 gözlemle sınırlıdır.
- DARR modunda geçmiş bağlamın boyutları, girdi bağlamının boyutlarıyla benzer olmalıdır.
Haberin kaynakları
Birincil kaynakNVIDIA Kumo Forecast Combines Pretrained Time-Series Representations with Historical Pattern Retrieval and Interpretabilityhuggingface.coYayın tarihleri
- blue'og yayını
- Kaynak yayını
Bu yazı, bağlantılı kaynaklar okunarak yapay zekâ ile hazırlandı. Kaynaktaki bulguların yanı sıra kullanım alanları ve açıklanmayan noktalar da yer alır. Görsel ve videoların kaynakları üzerlerinde belirtilir; hakları sahiplerine aittir. En güncel ayrıntılar için kaynakları inceleyebilirsiniz.
