IBM Granite टाइम-सीरीज़ मॉडलों से एन्सेम्बल पूर्वानुमान
IBM का Granite Timeseries Ensemble अलग-अलग आर्किटेक्चर के चार पूर्व-प्रशिक्षित Granite पूर्वानुमान मॉडलों को मिलाकर बिना पुनः प्रशिक्षण बिंदु और क्वांटाइल पूर्वानुमान देता है। GIFT-Eval पर प्रोबेबिलिस्टिक एन्सेम्बल का MASE छह पूर्वानुमानों में सबसे कम रहा, पर अंतर मामूली था।
लेख में क्या कहा गया है
IBM Research ने 22 अक्टूबर 2026 को Hugging Face ब्लॉग पर Granite Timeseries Ensemble प्रकाशित किया, जो चार पूर्व-प्रशिक्षित Granite टाइम-सीरीज़ मॉडलों (PatchTST-FM-r1, PatchTST-FM-r2, FlowState-r1.1 और TTM-r3) को जोड़ने वाली पूर्वानुमान विधि है। इससे हर श्रृंखला के लिए एक मॉडल चुनना नहीं पड़ता, और न पुनःप्रशिक्षण चाहिए, न एन्सेम्बल के भार फ़िट करने।
यह विधि माध्य पूर्वानुमान और क्वांटाइल पूर्वानुमान देती है, डिफ़ॉल्ट रूप से 0.1 से 0.9। एकत्रीकरण की दो विधियाँ हैं: संभाव्य (अनुशंसित) और IQR, जो पूर्वानुमान के फैलाव के अनुसार भार देती है। GIFT-Eval (97 विन्यास) पर दोनों एन्सेम्बल कुल MASE में चारों अलग मॉडलों से बेहतर रहे। लेखक सीमाएँ बताते हैं: बहुचर चैनल अलग-अलग पूर्वानुमानित होते हैं, अनुमान समय और मेमोरी बढ़ती है, और अंशांकन की गारंटी नहीं। वे उपयोग से पहले प्रतिनिधि डेटा पर बैकटेस्ट की सलाह देते हैं।
आधिकारिक लेख पढ़ें AnnuIA प्रोफ़ाइल
यह सारांश AnnuIA ने Hugging Face के आधिकारिक पृष्ठ के आधार पर अपने शब्दों में लिखा है। सामग्री और अधिकार प्रकाशक के हैं: कृपया मूल लेख पढ़ें।