選項
首頁
快訊
內容
RoySmith
RoySmith
2025-09-23

Google Research 提出 TimesFM-ICF,這是一種時間序列基礎模型,可在推論過程中適應上下文範例,與監督微調結果相匹配,而無需額外訓練。此方法使用分隔符記號和持續的預先訓練,相較於 zero-shot 模型,預測準確度提高了 6.8%。這可讓企業以最少的設定,更快速地進行資料驅動的預測。

Google Research 提出 TimesFM-ICF,這是一種時間序列基礎模型,可在推論過程中適應上下文範例,與監督微調結果相匹配,而無需額外訓練。此方法使用分隔符記號和持續的預先訓練,相較於 zero-shot 模型,預測準確度提高了 6.8%。這可讓企業以最少的設定,更快速地進行資料驅動的預測。 Google Research 提出 TimesFM-ICF,這是一種時間序列基礎模型,可在推論過程中適應上下文範例,與監督微調結果相匹配,而無需額外訓練。此方法使用分隔符記號和持續的預先訓練,相較於 zero-shot 模型,預測準確度提高了 6.8%。這可讓企業以最少的設定,更快速地進行資料驅動的預測。 Google Research 提出 TimesFM-ICF,這是一種時間序列基礎模型,可在推論過程中適應上下文範例,與監督微調結果相匹配,而無需額外訓練。此方法使用分隔符記號和持續的預先訓練,相較於 zero-shot 模型,預測準確度提高了 6.8%。這可讓企業以最少的設定,更快速地進行資料驅動的預測。
評論 (0)
0/300
OR