文章预览
概率时间序列预测是在广泛应用中出现的一个重要实际问题，包括金融、天气预报、脑成像和计算机系统性能管理等领域。针对这一任务，已经提出了各种方法，从传统的自回归模型到最近基于深度学习架构的神经预测方法。这些以前的方法大多集中在用来自相同领域的数据训练模型，以执行预测任务。 然而，在过去的几年里，由于基础模型的兴起，机器学习正在经历一场范式转变。基础模型是一种大规模、通用的神经网络，以无监督的方式在大量多样化的数据上进行预训练。这些模型在广泛的下游任务上展示出了显著的少量样本泛化能力，通常优于特定于任务的模型。 本文介绍一篇来自摩根士丹利等机构研究者的最新工作，他们的目标是 开发用于时间序列的基础模型，研究它们在大规模上的行为，并突破在不同时间序列领域之间可实现的迁移
………………………………
