T2ST框架:少量时空数据训练基础模型达全量数据效果
热点事件持续更新
T2ST框架:少量时空数据训练基础模型达全量数据效果
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
Yue Xu 等研究者在 arXiv 论文(arXiv:2611.18199)中提出 T2ST,一种数据高效的时空基础模型(STFM)训练框架,用筛选的辅助时间序列和从冻结时间序列基础模型迁移知识来弥补时空观测数据稀缺。该方法包含匹配序列检索、时序关系蒸馏与多尺度预测蒸馏,支持跨异构架构的知识迁移。 据论文称,仅用 10% 的原始时空数据,T2ST 在 6 个长期和 12 个短期预测数据集上取得与全量数据训练相当或更优的预测性能。
AI 根据报道生成 · 3 小时前更新
最新进展11月16日 13:00
T2ST:用时间序列数据与知识迁移实现数据高效的时空基础模型训练报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv cs.AIT2ST:用时间序列数据与知识迁移实现数据高效的时空基础模型训练
研究者提出 T2ST,一种数据高效的时空基础模型(STFM)训练框架,通过筛选辅助时间序列并从冻结的时间序列基础模型迁移知识,弥补时空观测数据稀缺的问题。其方法包括匹配序列检索、时序关系蒸馏与多尺度预测蒸馏,支持跨异构架构的知识迁移。仅用 10% 的原始时空数据,T2ST 在 6 个长期和 12 个短期预测数据集上达到与全量数据训练相当或更优的预测性能。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月16日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。