Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

shanghaishanghai
0

根据您提供的信息,以下是一篇新闻稿的草稿,它将概括并传达上述信息的关键点:


标题:图像模型 VisionTS 跨界挑战时序预测,无需微调即可比肩顶级模型

正文:

近日,浙江大学和 Salesforce 亚洲研究院的学者们提出了一种创新的时间序列预测框架 VisionTS,该框架基于计算机视觉模型 MAE(Masked Autoencoders),在无需对时间序列数据进行微调的情况下,实现了与顶级时序预测模型相媲美甚至超越的性能。

这项研究由浙江大学计算机四年级博士生陈谋祥担任第一作者,Salesforce 亚洲研究院高级科学家刘成昊担任通讯作者。研究工作得到了浙江大学、道富科技和 Salesforce 的共同支持。

过去的研究尝试将大语言模型(LLM)应用于时序预测,但效果并不理想。与此不同,浙大和 Salesforce 的研究团队发现,图像模型在时序预测领域具有潜在的迁移能力。VisionTS 框架正是基于这一发现,它将时间序列数据转化为图像形式,利用 MAE 模型进行预测。

VisionTS 的核心优势在于其能够直接从自然图像(如 ImageNet)中预训练,而不需要对时间序列数据进行额外的微调。实验结果表明,VisionTS 在涵盖多个领域的 35 个基准数据集上表现出色,其预测性能甚至超过了专门为时序预测设计的模型,如 Moirai 和 TimesFM。

这项研究不仅证明了计算机视觉和时间序列预测之间的密切联系,也展示了图像模型在处理连续数据方面的潜力。VisionTS 的成功表明,图像→时间序列的迁移能力要强于文本→时间序列,为时序预测领域提供了新的研究方向。

论文题目为“VisionTS: Visual Masked Autoencoders Are Free-Lunch Zero-Shot Time Series Forecasters”,已发表在 arXiv 专栏上,并提供了代码仓库供社区进一步研究。

随着人工智能技术的不断发展,VisionTS 的提出为时间序列预测领域带来了新的视角和方法,有望推动该领域的研究和应用向前发展。


请注意,新闻稿的撰写需要根据实际的研究内容和细节进行调整,以确保信息的准确性和完整性。此外,新闻稿的风格和长度可能需要根据发布平台的特定要求进行修改。


>>> Read more <<<

Views: 0

0

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注