چه چیزی معرفی شد
بر اساس وبلاگ Hugging Face، تیم IBM Research مجموعه‌ای به نام Granite Timeseries Ensemble معرفی کرده است. این مجموعه چهار مدل پیش‌آموخته Granite را با یک رابط واحد ترکیب می‌کند و پیش‌بینی میانه و چندک برمی‌گرداند. به گفته نویسندگان، نیازی به آموزش مجدد روی داده کاربر یا برازش وزن‌های ترکیب نیست.
اعضای پیش‌فرض عبارت‌اند از PatchTST-FM-r1، PatchTST-FM-r2، FlowState-r1.1 و TTM-r3. این مدل‌ها معماری‌های متفاوتی دارند: ترنسفورمر پچی، کانفورمر پچی، مدل فضای حالت و میکسر MLP. IBM می‌گوید خود دستور ترکیب و اعضای پیش‌فرض مجوز آزاد (permissive) دارند. دستور ترکیب فقط پیکربندی را نگه می‌دارد و چهار چک‌پوینت هنگام اجرا دانلود می‌شوند؛ بنابراین اجرای اول زمان بیشتری می‌برد.
دو روش ترکیب و نحوه استفاده
روش پیشنهادی پیش‌فرض، Probabilistic Ensemble است که به هر عضو نفوذ برابر می‌دهد و پیش‌بینی‌های چندکی را در فضای احتمال ادغام می‌کند. چون وزن‌ها ثابت‌اند، برای سری جدید مرحله برازش یا تنظیم ابرپارامتر وزن‌دهی وجود ندارد. گزینه دوم IQR Ensemble است که اعضا را بر اساس پهنای بازه پیش‌بینی وزن می‌دهد و بازه‌های باریک‌تر نفوذ بیشتری دارند. نویسندگان هشدار می‌دهند بازه باریک‌تر لزوماً دقیق‌تر یا کالیبره‌تر نیست و این روش ممکن است عضو بیش‌ازحد مطمئن را ترجیح دهد.
نصب از طریق بسته granite-tsfm نسخه ۰٫۳٫۱۱ یا بالاتر انجام می‌شود و کلاس QuantileEnsembleForecaster مدل را از Hugging Face بارگذاری می‌کند. خروجی پیش‌فرض شامل پیش‌بینی نقطه‌ای و چندک‌های ۰٫۱ تا ۰٫۹ است؛ چندک‌های ۰٫۱ و ۰٫۹ بازه‌ای با پوشش اسمی ۸۰ درصد می‌سازند.
نتایج گزارش‌شده و مبنای مقایسه
IBM می‌گوید ترکیب‌ها را روی ۹۷ پیکربندی دیتاست GIFT-Eval بدون فاین‌تیون ارزیابی کرده و داده آزمون برای انتخاب یا برازش روش تجمیع استفاده نشده است. مقایسه با چهار عضو، بر پایه امتیازهای منتشرشده لیدربورد در ۲۰ اکتبر ۲۰۲۶ و نرمال‌شده نسبت به Seasonal Naive است؛ مقدار کمتر بهتر است.
در MASE، روش Probabilistic برابر ۰٫۶۸۳ و PatchTST-FM-r2 برابر ۰٫۶۸۵ است؛ یعنی برتری کوچک است. هر دو ترکیب در MASE و رتبه میانگین MASE از چهار عضو بهترند. اما در CRPS/MWQL، PatchTST-FM-r2 با ۰٫۴۶۷ کمترین مقدار را دارد و ترکیب‌ها ۰٫۴۷۱ گرفته‌اند. IQR Ensemble کمترین رتبه میانگین CRPS را میان این شش پیش‌بینی دارد. خود نویسندگان تأکید می‌کنند که مزیت اصلی استحکام است، نه صدرنشینی: برخی سیستم‌ها، از جمله فاین‌تیون‌شده‌ها یا دارای مجوز غیرآزاد، بهتر از هر دو دستور ترکیب‌اند و ترکیب در رتبه سوم میان سامانه‌های واجد شرایط است. این ارقام گزارش خود IBM است و در این منبع آزمون مستقل ارائه نشده است.
محدودیت‌ها و توصیه برای کاربران
دستور ترکیب کانال‌های چندمتغیره را مستقل پیش‌بینی می‌کند و از اطلاعات بین کانال‌ها استفاده نمی‌کند. بارگذاری چهار چک‌پوینت زمان استنتاج و حافظه را نسبت به یک مدل تکی افزایش می‌دهد. محدودیت طول زمینه، افق، پیش‌پردازش و مواجهه با مقادیر گمشده میان اعضا متفاوت است و هیچ‌یک از دو روش، کالیبراسیون یا پایداری در تغییر توزیع را تضمین نمی‌کند.
رابط مشترک امکان افزودن پیش‌بینی‌گرهای سازگار دیگر را می‌دهد، اما دستورهای گسترش‌یافته با چک‌پوینت‌های دیگر IBM Research شرایط مجوز جداگانه دارند، از جمله محدودیت غیرتجاری و پژوهشی. توصیه منبع این است که پیش از استفاده، روی داده نماینده بک‌تست انجام دهید، دو روش را با یک عضو قوی مثل PatchTST-FM-r2 مقایسه کنید، علاوه بر MASE زیان چندکی و پوشش تجربی بازه ۸۰ درصدی را بسنجید و هزینه زمان و حافظه را ثبت کنید. در منبع درباره دسترس‌پذیری در ایران یا یکپارچگی با ابزارهای خاص اطلاعاتی نیامده است.
پشت این نوشته
منابع و جزئیات
این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.
این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.
- Ensemble forecasting with IBM Granite time-series modelshuggingface.coبررسی:
نخستین انتشار:
روش تهیه و بازبینی نوشته‌ها