Cadence利用时间序列基础模型实现误差有界的需求数据有损压缩
Cadence将谷歌拥有3.3亿参数的时间序列模型TimesFM-3与自适应算术编码器结合，在限制每个样本误差的同时压缩需求时间序列。在297组序列与容差组合中，该方法相较经典预测器的中位数提升为21.4%；在相同数据规模下，最坏情况误差比降采样低28至56倍。计入上下文初始化成本后，端到端收益从六个月小时级数据的6.8%提升至渐近状态的15.1%。但该方法未能泛化到SDRBench：中位数结果下降0.8%，27组测试均未获得提升。研究还指出，模型预测会因批次大小不同而变化，因此需要将执行设备和分组大小写入容器格式，并报告了其他负面结果。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。