矩阵分解就能击败深度学习!MIT发布时序数据库:用SQL做机器学习
时间序列预测问题通常比普通机器学习更棘手,不仅需要维持一个增量数据库,还需要实时预测的性能。最近MIT的研究人员发布了一个可以通过SQL创建机器学习模型的数据库,不用再发愁时序数据管理了!人类从历史中学到的唯一教训,就是人类无法从历史中学到任何教训。「但机器可以学到。」
时间序列预测问题通常比普通机器学习更棘手,不仅需要维持一个增量数据库,还需要实时预测的性能。最近MIT的研究人员发布了一个可以通过SQL创建机器学习模型的数据库,不用再发愁时序数据管理了!人类从历史中学到的唯一教训,就是人类无法从历史中学到任何教训。「但机器可以学到。」
时序行为检测(Temporal Action Localization,TAL)是一种常用方法。利用视频内容进行建模之后,就可以在整段视频当中自由搜索了。而华中科技大学与密歇根大学的联合团队最近又为这项技术带来了新的进展——过去TAL中的建模是片段甚至实例级的,
大语言模型潜力被激发——无需训练大语言模型就能实现高精度时序预测,超越一切传统时序模型。来自蒙纳士大学、蚂蚁、IBM研究院提出了一种通用框架,结果成功激活大语言模型跨模态处理时序数据的能力。
Transformer很强,Transformer很好,但Transformer在处理时序数据时存在一定的局限性。如计算复杂度高、对长序列数据处理不够高效等问题。而在数据驱动的时代,时序预测成为许多领域中不可或缺的一部分。于是乎,蚂蚁同清华联合推出一种纯MLP架构的模型TimeMixer,在时序预测上的性能和效能两方面全面超越了Transformer模型