GluonTS'de önceden eğitilmiş modellerden oluşan bir paket olan Chronos, diğer önceden eğitilmiş modellerden birkaç temel açıdan farklılık gösterir:
1. Sıfır Atış Tahmini: Chronos, sıfır atış zaman serisi tahmini için tasarlanmıştır; bu, eğitim sırasında görülmeyen yeni zaman serileri için doğru olasılıksal tahminler üretebileceği anlamına gelir. Bu, iyi performans elde etmek için belirli veri kümelerinde ince ayar yapılması gereken diğer modellerin aksine[1][2].
2. Dil Modeli Mimarisi: Chronos modelleri, zaman serisi değerlerini kümelere ayıran ve bunları belirteç olarak ele alan dil modeli mimarilerini temel alır. Bu yaklaşım, yeni zaman serisi verilerinin verimli bir şekilde işlenmesine ve tahmin edilmesine olanak sağlar[2][3].
3. Ön Eğitim: Chronos modelleri, sentetik veri oluşturma teknikleriyle zenginleştirilmiş geniş bir açık kaynaklı zaman serisi verileri külliyatı üzerinde önceden eğitilmiştir. Bu ön eğitim, modellerin zaman serisi verilerindeki yeni, görünmeyen verilere[2] uygulanabilecek genel kalıpları ve özellikleri öğrenmesini sağlar.
4. Model Boyutları: Chronos modelleri beş boyutta mevcuttur: minik (8M parametreleri), mini (20M), küçük (46M), taban (200M) ve büyük (710M). Bu boyutlar, farklı düzeylerde karmaşıklık ve hesaplama gereksinimleri sunar; daha büyük modeller, verimli çıkarım için daha güçlü donanım gerektirir[2].
5. Çıkarım: Diğer modellerden farklı olarak Chronos modelleri göreve özel eğitim gerçekleştirmez. Bunun yerine, çıkarım sırasında veri kümesindeki zaman serisi sayısına göre doğrusal olarak ölçeklenen daha pahalı bir hesaplama gerçekleştirirler. Bu onları büyük ölçekli, sıfır atışlı tahmin görevleri için uygun kılar[2].
6. İnce Ayar: Chronos modelleri sıfır atış performansı için tasarlanmış olsa da doğruluklarını daha da artırmak için belirli veri kümelerine ince ayar yapılabilir. Bu ince ayar, yaygın derin öğrenme teknikleri ve araçları kullanılarak yapılabilir[3].
Özetle Chronos, sıfır atış tahmini, dil modeli mimarisi, ön eğitim ve verimli çıkarım yeteneklerine odaklanması nedeniyle GluonTS'deki diğer önceden eğitilmiş modellerden öne çıkıyor. Bu özellikler onu büyük ölçekli, görünmeyen zaman serisi verilerini işlemek için güçlü bir araç haline getirir.
Alıntılar:[1] https://ts.gluon.ai/stable/
[2] https://auto.gluon.ai/stable/tutorials/timeseries/forecasting-chronos.html
[3] https://arxiv.org/html/2403.07815v1
[4] https://github.com/awslabs/gluonts
[5] https://ts.gluon.ai/stable/tutorials/forecasting/quick_start_tutorial.html