面向多变量时间序列分类的用户友好基础模型适配器
机器学习
2024-09-20 v1 机器学习
摘要
虽然基础模型效果极佳，但往往资源密集，需耗费大量推理时间和内存。本文通过探索降维技术，旨在解决在有限计算资源下使这些模型更易于访问的挑战。我们的目标是在不牺牲性能的前提下，使用标准 GPU 运行大型预训练基础模型。我们研究了主成分分析（PCA）等经典方法以及基于神经网络的适配器，以在保持关键特征的同时降低多变量时间序列数据的维度。我们的实验表明，相较于基线模型，最高可实现约 10 倍的加速，且未出现性能下降；且单块 GPU 可容纳最多约 4.5 倍的数据集，为更加用户友好且可扩展的基础模型铺平了道路。
引用
@article{arxiv.2409.12264,
title = {User-friendly Foundation Model Adapters for Multivariate Time Series Classification},
author = {Vasilii Feofanov and Romain Ilbert and Malik Tiomoko and Themis Palpanas and Ievgen Redko},
journal= {arXiv preprint arXiv:2409.12264},
year = {2024}
}
备注
The first two authors contributed equally