כתבה
arXiv cs.LG ·
PatchFormer: רכיב זמני עם תכונות חידושיות לטיפול בסדרות זמן
PatchFormer: A Patch-Based Time Series Foundation Model with Hierarchical Masked Reconstruction and Cross-Domain Transfer Learning for Zero-Shot Multi-Horizon Forecasting
PatchFormer הוא רכיב זמני חדשני שמשתמש בטכנולוגיית רכיבי זמן כדי לטפל בסדרות זמן. הוא מסגמן את הסדרות זמן לרכיבים ולומד תכונות זמניות רב-ממדיות. PatchFormer נוצר על ידי חידושי תכונות של רכיבי זמן ומשתמש בהם כדי לטפל בסדרות זמן. הוא נוצר על ידי חברת Meta AI.
תקציר מקורי באנגליתarXiv:2601.20845v2 Announce Type: replace Abstract: Time series forecasting is a fundamental problem with applications in climate, energy, healthcare, and finance. Many existing approaches require domain-specific feature engineering and substantial labeled data for each task. We introduce PatchFormer, a patch-based time series foundation model that uses hierarchical masked reconstruction for self-supervised pretraining and lightweight adapters for efficient transfer. PatchFormer segments time series into patches and learns multiscale temporal representations with learnable aggregation across temporal scales. Pretraining uses masked patch reconstruction with dynamic masking and objectives that encourage both local accuracy and global consistency, followed by cross-domain knowledge distillat
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית