热点事件持续更新
研究提出时序基础模型尺度无关训练方法ScaleIn
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月7日，arXiv刊载的一项研究提出了时间序列基础模型（TSFM）的尺度无关训练方法ScaleIn。该研究指出，高尺度序列主导梯度的“尺度污染”是训练过程中的常见问题，ScaleIn通过在缩放目标上计算损失来实现尺度不变性。在4种TSFM架构的全部24项对比中，ScaleIn使模型在GIFT-Eval和M-competitions基准上的平均MASE分别降低了18.8%和21.9%。此外，该方法具有较强的易用性，现有多数预测管线仅需修改一行代码即可直接接入。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
研究提出时序基础模型训练方法ScaleIn，显著降低预测误差且多数管线仅需一行代码即可接入。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv 机器学习时间序列基础模型的尺度不变训练方法
研究提出时间序列基础模型（TSFM）的尺度不变训练方法 ScaleIn，通过在缩放目标上计算损失，解决高尺度序列主导梯度的尺度污染问题。在 4 种 TSFM 架构的全部 24 项对比中，ScaleIn 使 GIFT-Eval 和 M-competitions 的 MASE 平均降低 18.8% 和 21.9%。现有多数预测管线仅需一行代码修改即可接入。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。