Mille poolest Chronos erineb teistest GluonTSi eelkoolitatud mudelitest

1. Nullkaadri prognoosimine: Chronos on loodud nullkaadri aegridade prognoosimiseks, mis tähendab, et see võib luua täpseid tõenäosusprognoose uutele aegridadele, mida treeningu ajal ei nähtud. See erineb teistest mudelitest, mis nõuavad hea jõudluse saavutamiseks konkreetsete andmekogumite peenhäälestamist[1][2].

2. Keelemudeli arhitektuur: Chronose mudelid põhinevad keelemudelite arhitektuuridel, mis jagavad aegridade väärtused ämbritesse ja käsitlevad neid märkidena. See lähenemisviis võimaldab tõhusalt töödelda ja ennustada uusi aegridade andmeid[2][3].

3. Eelkoolitus: Chronose mudelid on eelkoolitatud suurel avatud lähtekoodiga aegridade andmekorpusel, mida on täiendatud sünteetiliste andmete genereerimise tehnikatega. See eelkoolitus võimaldab mudelitel õppida aegridade andmete üldisi mustreid ja funktsioone, mida saab rakendada uutele, seninägematutele andmetele[2][3].

4. Mudelite suurused: Chronose mudeleid on viies suuruses: pisikesed (8M parameetrid), mini (20M), väikesed (46M), alused (200M) ja suured (710M). Need suurused pakuvad erineva keerukuse ja arvutusnõuete tasemeid, kusjuures suuremate mudelite jaoks on tõhusaks järelduseks vaja võimsamat riistvara[2].

5. Järeldus: erinevalt teistest mudelitest ei teosta Chronose mudelid ülesandepõhist koolitust. Selle asemel viivad nad järelduse tegemisel läbi kallima arvutuse, mis skaleerub lineaarselt andmestiku aegridade arvuga. See muudab need sobivaks suuremahuliste nullkaadri prognoosimisülesannete jaoks[2].

6. Peenhäälestus: kuigi Chronose mudelid on loodud nullkaadri jõudluseks, saab neid täpsuse edasiseks parandamiseks konkreetsete andmekogumite puhul peenhäälestada. Seda peenhäälestust saab teha tavaliste süvaõppetehnikate ja -vahenditega[3].

Kokkuvõttes eristub Chronos teistest GluonTS-i eelkoolitatud mudelitest oma keskendumise tõttu nullkaadri prognoosimisele, keelemudeli arhitektuurile, eelkoolitusele ja tõhusatele järelduste tegemise võimalustele. Need funktsioonid muudavad selle võimsaks tööriistaks suuremahuliste, seninägematute aegridade andmete käsitlemiseks.