Novi SGA metod meri neizvesnost višekoračnih prognoza u time-series AI modelima
Istraživači su predstavili Slicing-Graphing-Alignment metod za kvantifikovanje neizvesnosti kod višekoračnih prognoza time-series foundation modela, testiran na 11 modela i 27 skupova podataka.
Problem grananja prognoza
Time-series foundation modeli mogu da daju vrlo dobre prognoze kroz više vremenskih koraka, ali neizvesnost raste kada se različite grane predviđanja šire kroz buduće korake.
SGA pristup pokušava da tu neizvesnost opiše kroz strukturu mogućih grana prognoze i njihovu međusobnu povezanost.
Testovi na modelima i skupovima podataka
Autori navode eksperimente na 11 različitih TSFM modela i 27 skupova podataka.
Prema rezultatima rada, SGA je bio uspešan u rangiranju grešaka prognoze pomoću procena neizvesnosti i pružio širu pokrivenost uzorkovanja od poređenih metoda.
Mogući scaling zakon
Rad navodi i zapažanje da veći modeli pokazuju niže procene neizvesnosti u višekoračnim prognozama.
Autori to tumače kao mogući empirijski scaling obrazac, ali će za šire zaključke biti potrebne dodatne nezavisne provere na drugim modelima i zadacima.
Izvori
Prikazani su izvorni linkovi korišćeni za proveru objavljenih činjenica.
Komentari
Komentari se objavljuju nakon moderacije.
Još nema objavljenih komentara.