arXiv · 15.06.2026 ·Прогнозирование и моделирование

Новый подход к долгосрочному прогнозированию временных рядов

Исследователи из Arxiv представили новый метод HAMON, который использует пассивное оптическое смешивание последовательностей для долгосрочного прогнозирования временных рядов. Этот подход демонстрирует, что простые линейные и частотные модели могут быть конкурентоспособными в задачах долгосрочного прогнозирования, что ставит под сомнение необходимость использования сложных трансформерных моделей в этом контексте.

HAMON предлагает альтернативу традиционным методам, показывая, что для многих задач прогнозирования достаточно низкоуровневых операций. Это может быть полезно для разработки более эффективных и менее ресурсоемких моделей, которые могут быть интегрированы в ИИ-агенты для улучшения их способности к прогнозированию и планированию.

Исследование также поднимает вопрос о том, какие именно механизмы делают трансформеры эффективными в других областях, и предлагает новые направления для изучения. Это может привести к разработке более специализированных моделей, которые будут оптимизированы для конкретных задач, таких как долгосрочное прогнозирование, что в свою очередь может улучшить функциональность ИИ-агентов в различных приложениях.

Для команды, работающей над ИИ-агентом Jarv, этот подход может быть полезен в разработке более эффективных алгоритмов прогнозирования, которые могут быть использованы для улучшения планирования и принятия решений. Это также может способствовать развитию более легковесных и быстрых моделей, которые могут быть развернуты на устройствах с ограниченными ресурсами.

Источник: arXiv

Похожие материалы

arXiv · Трансформеры и обработка сложных данных Трансформеры для решения уравнений на сложных геометриях Исследователи из MIT и других ведущих университетов представили новый подход к использованию трансформеров для решения задач, связанных с дифференциальными уравнениями на сложных геометриях. Традиционные методы, основанные на нейронных операторах, ограничены фиксированным размером области, что затрудняет их применение в реальных сценариях, где размеры могут варьироваться. arXiv · Оптимизация токенизации для временных рядов Адаптивная компрессия токенов для временных рядов в LLM Исследователи из MIT и Google Research предложили новый подход к обработке временных рядов (TS) в языковых моделях. В статье, опубликованной на arXiv, они утверждают, что традиционный подход к токенизации, где числовые и текстовые данные обрабатываются одинаково, неэффективен. Временные ряды и текст имеют разную структуру информации, и их обработка должна учитывать эти различия. arXiv · Оптимизация декодирования в ИИ-агентах Новый метод декодирования для ускорения работы ИИ-агентов Исследователи из MIT и Google Research предложили новый подход к декодированию в языковых моделях, который может значительно ускорить работу ИИ-агентов. В статье, опубликованной на arXiv, они представляют метод Mean-Field Parallel Decoding, который позволяет генерировать токены параллельно, минимизируя задержки. arXiv · Оптимизация инференса в ИИ-агентах Как снизить задержки в системах с потоковыми данными Исследователи из MIT и Google предложили новый подход к обработке потоковых данных в системах машинного обучения, который может существенно снизить задержки и нагрузку на серверы. В статье, опубликованной на arXiv, они описывают метод, который отделяет процесс инференса от обновления состояния, используя вероятностное прореживание (probabilistic thinning). arXiv · ИИ-агенты и память Память в ИИ для прогнозирования трафика Исследователи из Университета Цинхуа и других ведущих вузов представили новый подход к прогнозированию состояния дорожного движения с использованием памяти. В статье, опубликованной на arXiv, они предлагают Memory-Augmented Graph Liquid Time-Constant Networks (M-GLTN) — модель, которая решает проблему нехватки данных в некоторых регионах за счёт переноса знаний из других областей. The latest research from Google · Оптимизация моделей для ИИ-агентов Sequential Attention: как ускорить модели без потери точности Исследователи Google предложили новый подход к оптимизации трансформеров — Sequential Attention. Он позволяет значительно сократить вычислительные затраты на инференс, не жертвуя точностью. В основе метода лежит идея последовательного внимания: вместо параллельной обработки всех токенов модель фокусируется на одном токене за раз, используя информацию из предыдущих шагов. Это снижает сложность вычислений с O(n²) до O(n log n), что делает модели более эффективными для локального развертывания и работы в реальном времени. Hugging Face - Blog · Оптимизация инференса Как асинхронность ускоряет обработку запросов в ИИ-агентах Исследователи из Hugging Face представили новый подход к обработке запросов в ИИ-моделях — асинхронный континуальный батчинг. Этот метод позволяет значительно ускорить обработку запросов, особенно в сценариях с высокой нагрузкой, что критически важно для ИИ-агентов, работающих в реальном времени. arXiv · Инференс и железо Оптимизация INT8 вычислений для диффузионных трансформеров на потребительских GPU Исследователи из Ideogram представили новый подход к оптимизации инференса диффузионных трансформеров на потребительских GPU. В статье, опубликованной на arXiv, они показывают, что посттрейнинговая квантование в INT8 (W8A8) часто оказывается медленнее, чем альтернативы в FP8 и NF4, несмотря на ожидания. Это связано с тем, что в текущих реализациях веса и активации квантуются только для того, чтобы сразу же деквантоваться обратно в bf16 и выполнять матричное умножение в этом формате. arXiv · Оркестрация ИИ-агентов HyperTool: новый подход к оркестрации инструментов в ИИ-агентах Исследователи из MIT и других ведущих университетов предложили новый подход к оркестрации инструментов в ИИ-агентах, который может значительно повысить эффективность работы агентов. В традиционных системах инструменты вызываются пошагово, что приводит к избыточным вычислениям и перегрузке контекста. Авторы работы предлагают использовать более крупнозернистые вызовы инструментов, что позволяет сократить количество шагов и улучшить управление данными. arXiv · Оркестрация ИИ-агентов Новый подход к маршрутизации множества ИИ-агентов Исследователи из Университета Карнеги-Меллон представили новую работу, посвящённую компиляционным методам в задачах маршрутизации множества агентов (MAPF). В отличие от классических подходов, где все агенты должны достичь заданных целей без столкновений, авторы рассматривают варианты с разными требованиями к агентам.

← Все материалы