thuml

Une bibliothèque de modèles avancés de Deep Learning pour l'analyse générale de séries temporelles.

Bibliothèque de transfert d'apprentissage pour l'adaptation de domaine, l'adaptation de tâche et la généralisation de domaine

Publication du code pour "Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008

Implémentation officielle de "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)

Publication du code pour "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq

Code officiel, jeux de données et points de contrôle pour "Timer: Generative Pre-trained Transformers Are Large Time Series Models" (ICML 2024) et travaux ultérieurs.

Une liste organisée de JEUX DE DONNÉES, BASES DE CODE et ARTICLES sur l'apprentissage multi-tâches (MTL), du point de vue de l'apprentissage automatique.

depyf est un outil pour vous aider à comprendre et à vous adapter au compilateur torch.compile de PyTorch.

Publication du code pour « Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting » (NeurIPS 2022), https://arxiv.org/abs/2205.14415

Implémentations, code de pré-entraînement et jeux de données pour modèles de séries temporelles larges

Implémentation officielle de "TimeXer : Empowering Transformers for Time Series Forecasting with Exogenous Variables" (NeurIPS 2024)