thuml

Eine Bibliothek für fortgeschrittene Deep-Time-Series-Modelle zur allgemeinen Zeitreihenanalyse.

Transfer Learning Library für Domain Adaptation, Task Adaptation und Domain Generalization

Code-Release zu „Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting“ (NeurIPS 2021), https://arxiv.org/abs/2106.13008

Offizielle Implementierung von „iTransformer: Inverted Transformers Are Effective for Time Series Forecasting“ (ICLR 2024 Spotlight)

Code-Release zu „TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis“ (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq

Offizieller Code, Datensätze und Checkpoints für „Timer: Generative Pre-trained Transformers Are Large Time Series Models“ (ICML 2024) und nachfolgende Arbeiten

Eine kuratierte Liste von Datensätzen, Codebasen und Papieren zum Multi-Task Learning (MTL) aus der Perspektive des maschinellen Lernens.

depyf ist ein Tool, mit dem Sie den PyTorch-Compiler torch.compile verstehen und anpassen können.

Code-Release für Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting (NeurIPS 2022), https://arxiv.org/abs/2205.14415

Implementierungen, Pre-Training-Code und Datensätze für Large Time-Series Models.

Offizielle Implementierung für "TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables" (NeurIPS 2024)