服装公司网站,东莞建设企业网站公司,淘大象关键词排名查询,英文网站seo如何做1 intro
时间序列领域预训练模型/foundation 模型的研究还不是很多 主要挑战是缺乏大量的数据来训练用于时间序列分析的基础模型——论文利用预训练的语言模型进行通用的时间序列分析 为各种时间序列任务提供了一个统一的框架 论文还调查了为什么从语言领域预训练的Transf…1 intro
时间序列领域预训练模型/foundation 模型的研究还不是很多 主要挑战是缺乏大量的数据来训练用于时间序列分析的基础模型——论文利用预训练的语言模型进行通用的时间序列分析 为各种时间序列任务提供了一个统一的框架 论文还调查了为什么从语言领域预训练的Transformer几乎不需要任何改动就可以适应时间序列分析 —预训练Transformer中的自注意模块通过训练获得了执行某些非数据相关操作的能力这些操作与输入模式上的主成分分析PCA密切相关
2 模型
2.1 模型架构 利用自然语言处理预训练的Transformer的参数进行时间序列分析 重点关注GPT-2模型还尝试了其他模型如BERT和BEiT以进一步证明跨领域知识传递的通用性存在于广泛的预训练模型中
2.1.1 冻结的预训练块
由于自注意层和前馈神经网络FFN包含了来自预训练语言模型的大部分学习知识因此我们选择在微调时冻结他们
2.1.2 位置嵌入和层归 为了以最小的努力增强下游任务我们微调了位置嵌入和layer normalization层 layer normalization 计算均值和方差也是用神经网络计算的所以也需要微调机器学习笔记神经网络层的各种normalization_relu 和 batchnorm的神经元数目一样吗_UQI-LIUWJ的博客-CSDN博客
2.1.3 输入embedding
重新设计和训练输入嵌入层以将NLP预训练模型应用于各种任务和新的模态 将时间序列数据投影到特定预训练模型所需的维度使用linear probing
2.1.4 归一化
数据归一化对于各种模态的预训练模型至关重要 除了预训练LM中使用的Layer Normalization外还加入了一个简单的数据归一化块即反向实例归一化reverse instance norm简单地使用均值和方差对输入时间序列进行归一化然后将它们添加回输出中
2.1.5 patching
为了提取局部语义信息论文利用分块Patching 通过聚合相邻的时间步骤来形成一个基于Patch的Token在normalization 后进行patching
4 实验
4.1 主要结论 4.2 补全 4.3 分类 4.4 异常检测 4.5 长期预测 4.6 短期预测 4.7 few shot 预测
只使用很少的一部分训练数据10%5%) 4.8 zero-shot 预测
在A数据集上训练在B数据集上测试 5 消融实验
5.1 模型的选择
分析了GPT2层数和微调参数的选择。附录H中的结果表明与完整或少量层数相比具有6层的GPT2是一个合理的选择并且部分冻结可以避免灾难性遗忘使微调能够在不过拟合的情况下进行。
5.2 预训练的有效性
GPT26在时间序列任务中表现优于GPT20和GPT2随机初始化 ——具有预训练参数的GPT2可以在时间序列任务上取得改进此外GPT26的表现也优于GPT2非冻结表明部分冻结也有所帮助。 附录H.2中的结果显示随机初始化的GPT26在冻结情况下表现不佳预训练知识对于时间序列任务至关重要。 6 预训练模型在跨领域知识转移方面的普遍性
对BERT和图像预训练领域的BEiT进行了实验 知识转移的能力不仅限于基于GPT2的预训练语言模型 7 预训练模型中的Transformer和PCA 对应
证明略
