Unicorn: Rete di Correlazione Universale per la Previsione di Serie Temporali ad Alta Dimensionalità
Un nuovo framework chiamato Unicorn (Rete di Correlazione Universale) è stato sviluppato dai ricercatori per un pre-addestramento efficiente su più dataset che coinvolgono serie temporali ad alta dimensionalità. Questo modello affronta la sfida posta dai modelli indipendenti dai canali, che scalano efficacemente ma trascurano le relazioni inter-canale, e dai modelli dipendenti dai canali, che sono più espressivi ma hanno difficoltà a generalizzare su dataset diversi. Utilizzando un codebook di prototipi latenti, Unicorn separa la modellazione delle correlazioni dalle identità specifiche dei canali, consentendo di mappare vari canali in uno spazio latente unificato e apprendere pattern di interazione riutilizzabili e indipendenti dall'identità. I risultati sperimentali indicano che Unicorn supera significativamente le architetture di previsione leader, specialmente in situazioni di trasferimento con pochi esempi.
Fatti principali
- Unicorn è un framework per il pre-addestramento scalabile su più dataset di serie temporali ad alta dimensionalità.
- Utilizza un codebook di prototipi latenti per disaccoppiare la modellazione delle correlazioni dalle identità specifiche dei canali.
- Il modello proietta canali eterogenei in uno spazio latente condiviso.
- Apprende pattern di interazione riutilizzabili e indipendenti dall'identità che si trasferiscono tra domini.
- Unicorn supera le architetture di previsione allo stato dell'arte.
- È particolarmente efficace in scenari di trasferimento con pochi esempi.
- L'approccio colma il divario tra modelli indipendenti dai canali e modelli dipendenti dai canali.
- L'articolo è disponibile su arXiv con ID 2605.30376.
Entità
Istituzioni
- arXiv