01、概述在人工智能日新月异的今天，自然语言处理，NLP，已成为各行业的核心驱动力，随着对高效AI解决方案的需求不断增加，WordLlama在HuggingFace平台的发布为这一领域注入了新的活力，这一开源、快速且轻量级的自然语言处理工具包，专为CPU优化，适用于模糊去重、相似度计算和排名等多种任...

  本文介绍了使用FastAPI和Docker生成一个随时可用的HuggingFace模型，​想象一下，利用HuggingFace模型来确定评论的情绪，在过去，第一步是制作这样一个模型，并确保它正常工作，然而，今天的预训练模型让我们只需花很少的精力，就能准备好这样的大语言模型，LLM，一旦我们准备好使用...

  当今时代，人工智能技术的飞速发展为各行各业带来了革命性的变化，在自然语言处理领域，检索增强生成，RAG，系统因其卓越的性能和广泛的应用前景，正成为研究和应用的热点，今天，我要向您推荐的是一个创新的系统——Easy，RAG，它不仅易于学习、使用，还具备自主扩展的能力，希望能让您对RAG能更近一步的了解...

  大家好，我是橙哥！今天我们来看一下如何用Dify和Notion打造一个轻量级金融数据库，首先我从服务器的MySQL数据库向Notion同步了今天的量化策略选股结果数据，同步后的Notion表格数据如下所示，下面我们来看一下如何将Notion表格数据同步到dify知识库，首先打开dify主页，点击创建...

  AutoRAG，RAGAutoML工具可自动为你的数据找到最佳RAGPipeline，市面上有许多RAGPipeline和模块，但不知道哪种Pipeline最适合，你自己的数据，和，你自己的用例，制作和评估所有RAG模块非常耗时且难以完成，AutoRAG支持一种简单的方法来评估许多RAG模块组合，可...

  最近，又一款国产AI神器吸引了众网友和圈内研究人员的关注！它就是全新的图像和视频生成控制工具——ControlNeXt，由思谋科技创始人、港科大讲座教授贾佳亚团队开发，X平台上知名AI博主，AK，推荐从命名来看，ControlNeXt，致敬，了斯坦福大学研究团队在2023年2月提出的ControlN...

  今天给大家介绍一篇WWW2024中，由于新嘉博国立大学和香港科技大学联合发表的多模态时间序列预测模型UniTime，通过文本信息实现统一跨域时间序列预测，论文标题，UniTime，ALanguage，EmpoweredUnifiedModelforCross，DomainTimeSeriesFore...

  大语言模型的成功充分证明了Transformer架构的先进性，越来越多的人希望把它应用到其它领域，而非NLP领域本身，因而也催生了以一套Transformer架构统一各种模态的研究热点，而在工业界有一个非常常见的场景却鲜有涉及，那就是结构化数据的时序预测类场景，通常认为这种方式利用统计和经典回归类模...

  今天给大家介绍一篇清华大学发表于NIPS2024中的大模型时间序列预测工作AutoTimes，使用大模型进行自回归形式的时间序列预测，并结合In，ContextLearning提升预测效果，论文标题，AutoTimes，AutoregressiveTimeSeriesForecastersviaLa...

  今天给大家介绍一篇CIKM2024中的时间序列预测工作，这篇文章针对高维多变量时序预测问题，提出了一种基于Transformer的建模方法，论文标题，ScalableTransformerforHighDimensionalMultivariateTimeSeriesForecasting下载地址，...

  Transformer的序列建模能力，让其天然就比较适合时间序列这种也是序列类型的数据结构，但是，时间序列相比文本序列也有很多特点，例如时间序列具有自相关性或周期性、时间序列的预测经常涉及到周期非常长的序列预测任务等，这些都给Transformer在时间序列预测场景中的应用带来了新的挑战，也使业内出...

  在多元时间序列预测中，如何建模多变量之间的关系一直是研究热点，过去一年最火的研究方向之一就是多元时间序列应该采用channeldependent，多变量联合建模，还是channelindependent，多变量独立建模，，以及channeldependent的各种改进方法，近期，一种新的探索多变量建...

  今天跟大家聊聊一个近期相对冷门的研究点，Decoder中的预测时间步依赖问题，目前主流的时间序列预测模型，Decoder一般采用一个简单的MLP网络，输入Encoder的表征，映射到预测结果，但是，这种建模方法并没有考虑到各个预测时间步之间的关系，可能导致在预测阶段不满足时间序列的平滑性，在更早的深...

  时间序列领域最近几年的变化非常大，在2018年左右，RNN这类模型才刚在时间序列上应用，而目前已经基本和NLP、CV等领域对齐了，随着深度学习在时间序列预测领域研究的深入，最近一年也出现了很多新的时间序列预测研究方向，这篇文章就给大家汇总一下最近比较热门的时间序列研究点，很多同学都感觉现在各种公众号...

  时间序列建模中很多种类型的结构可以选择，比如Transformer、CNN、RNN，以及最近被验证有效的MLP、Mamba等结构，然而，不同模型都有特定的潜在优势和劣势，因此，现在越来越多的时序预测模型优化工作，采用了多模型组合的建模方式，今天这篇文章，就给大家介绍一下多模型组合建模的核心思路，以及...