Hugging Face 發表全新基準測試「FutureBench」,旨在評估 AI Agent 在預測未來事件(如地緣政治、金融市場及科技趨勢)上的表現。該測試挑戰了 Agent 的資訊檢索、機率推理與時間推理能力,有效避免了傳統基準測試中常見的資料洩漏問題。評估結果顯示,目前的 AI Agent 在面對未知的未來事件時,預測準確度與人類專家仍有顯著差距。
Hugging Face 宣布在其 transformers 函式庫中整合 PatchTST 模型。該模型採用「補丁(Patching)」技術保留局部語義並降低計算複雜度,並結合「通道獨立」處理多變量數據。開發者現在可以透過熟悉的 Hugging Face API 輕鬆進行高效的時間序列預測與微調。
IBM Research 開發的 PatchTSMixer 正式登陸 Hugging Face transformers 庫。該模型採用 Patching 技術與輕量級的 MLP-Mixer 架構,避開了傳統 Transformer 的高運算複雜度。它不僅支援多元時間序列的預測、分類與異常檢測,還具備強大的自監督預訓練與微調能力,為時間序列任務提供極佳的效能與速度平衡。
針對學術界對 Transformer 是否適用於時間序列預測的質疑,Hugging Face 撰文平反。文章重點介紹已整合至其函式庫的 Autoformer 模型,該模型透過「序列分解」與「自相關機制」克服傳統 Transformer 的效能瓶頸。這證明了只要設計得當,Transformer 在長期時間序列預測(LSTF)上依然能展現卓越的準確度。
Hugging Face 宣布將 AAAI 2021 最佳論文 Informer 模型整合至其 Transformers 庫中。本篇介紹如何利用 Informer 進行多變量機率時間序列預測,解決傳統 Transformer 在長序列預測上的高運算複雜度問題。透過 ProbSparse 自注意力機制與生成式解碼器,Informer 能在保持高準確度的同時,顯著降低記憶體與計算開銷。
Hugging Face 介紹了其首個專用於時間序列預測的 Transformer 模型。此模型採用 Encoder-Decoder 架構,並與熱門的時間序列庫 GluonTS 整合,能預測未來的機率分佈(而非單一數值),從而提供不確定性估計。文章詳細說明了如何利用時間特徵、滯後特徵(Lags)進行資料預處理,並透過實際程式碼展示了從資料準備、模型訓練到預測視覺化的完整流程。