ترجمه فارسی مقاله قدرت مدل های زبانی از پیش آموزش دیده را برای سری های زمانی نمونه گیری نامنظم آزاد کنید

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Unleash The Power of Pre-Trained Language Models for Irregularly Sampled Time Series
عنوان مقاله به فارسی قدرت مدل های زبانی از پیش آموزش دیده را برای سری های زمانی نمونه گیری نامنظم آزاد کنید
نویسندگان Weijia Zhang, Chenlong Yin, Hao Liu, Hui Xiong
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,Machine Learning,Applications,هوش مصنوعی , یادگیری ماشین , برنامه ها ,
توضیحات Submitted 12 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 12 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Pre-trained Language Models (PLMs), such as ChatGPT, have significantly advanced the field of natural language processing. This progress has inspired a series of innovative studies that explore the adaptation of PLMs to time series analysis, intending to create a unified foundation model that addresses various time series analytical tasks. However, these efforts predominantly focus on Regularly Sampled Time Series (RSTS), neglecting the unique challenges posed by Irregularly Sampled Time Series (ISTS), which are characterized by non-uniform sampling intervals and prevalent missing data. To bridge this gap, this work explores the potential of PLMs for ISTS analysis. We begin by investigating the effect of various methods for representing ISTS, aiming to maximize the efficacy of PLMs in this under-explored area. Furthermore, we present a unified PLM-based framework, ISTS-PLM, which integrates time-aware and variable-aware PLMs tailored for comprehensive intra and inter-time series modeling and includes a learnable input embedding layer and a task-specific output layer to tackle diverse ISTS analytical tasks. Extensive experiments on a comprehensive benchmark demonstrate that the ISTS-PLM, utilizing a simple yet effective series-based representation for ISTS, consistently achieves state-of-the-art performance across various analytical tasks, such as classification, interpolation, and extrapolation, as well as few-shot and zero-shot learning scenarios, spanning scientific domains like healthcare and biomechanics.

چکیده به فارسی (ترجمه ماشینی)

مدل های زبان از قبل آموزش دیده (PLMS) ، مانند ChatGPT ، زمینه پردازش زبان طبیعی را به طور قابل توجهی پیشرفت کرده اند.این پیشرفت الهام بخش مجموعه ای از مطالعات نوآورانه است که به بررسی اقتباس از PLMS با تجزیه و تحلیل سری زمانی می پردازد ، و قصد ایجاد یک مدل بنیادی یکپارچه را دارد که به کارهای مختلف تحلیلی سری زمانی می پردازد.با این حال ، این تلاش ها عمدتاً بر روی سری زمانی نمونه برداری شده (RSTS) متمرکز است ، و از چالش های منحصر به فرد ناشی از سری زمانی نمونه برداری نامنظم (ISTS) غافل می شود ، که با فواصل نمونه گیری غیر یکنواخت و داده های مفقود شده شایع مشخص می شوند.برای عبور از این شکاف ، این کار به بررسی پتانسیل PLM برای تجزیه و تحلیل ISTS می پردازد.ما با بررسی تأثیر روشهای مختلف برای نمایندگی IST ، با هدف به حداکثر رساندن اثربخشی PLM ها در این منطقه تحت تأثیر شروع می کنیم.علاوه بر این ، ما یک چارچوب مبتنی بر PLM یکپارچه ، ISTS-PLM را ارائه می دهیم ، که PLM های آگاه و متغیر متغیر متناسب با مدل سازی سری داخل و بین زمانه را ادغام می کند و شامل یک لایه تعبیه شده ورودی قابل یادگیری و یک لایه خروجی خاص برای کار استمقابله با وظایف تحلیلی متنوع.آزمایش های گسترده در مورد یک معیار جامع نشان می دهد که ISTS-PLM ، با استفاده از یک نمایش ساده و در عین حال مؤثر مبتنی بر سری برای ISTS ، به طور مداوم به عملکرد پیشرفته در کارهای مختلف تحلیلی مانند طبقه بندی ، درون یابی و برون یابی دست می یابد.و به عنوان چند سناریو یادگیری چند ضربه ای و صفر ، دامنه های علمی مانند مراقبت های بهداشتی و بیومکانیک.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.