Hopformer 时间序列预测框架发布
热点事件持续更新
Hopformer 时间序列预测框架发布
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Wan Zhang 等作者发布了两阶段时间序列预测框架 Hopformer。第一阶段用 Sparsity Pattern Aggregation（SPA）提取融入协变量的共同低方差趋势，第二阶段用 LoRA 微调的 Transformer 建模残差中的复杂依赖。 作者称，该方法在合成与真实预测基准上平均将 MASE 提升 6.56%，并证明 SPA 通过 oracle inequality 达到近最优偏差-方差权衡。
AI 根据报道生成 · 3 小时前更新
最新进展10月15日 12:00
Hopformer：面向时间序列预测的同质性追求 Transformer报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv stat.MLHopformer：面向时间序列预测的同质性追求 Transformer
Hopformer 是一个两阶段时间序列预测框架，第一阶段用 Sparsity Pattern Aggregation（SPA）提取融入协变量的共同低方差趋势，第二阶段用 LoRA 微调的 Transformer 建模残差中的复杂依赖。该方法在合成与真实预测基准上平均将 MASE 提升 6.56%，并证明了 SPA 通过 oracle inequality 达到近最优偏差-方差权衡。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。