Прогнозы временных рядов под микроскопом: новый подход к объяснению работы Transformer-моделей

Предлагаемый метод прогнозирования, основанный на модели SHAPformer, оценивает вклад каждой группы признаков, вычисляя разницу между прогнозом, сделанным с учетом данной группы, и прогнозом, сделанным без неё, тем самым позволяя определить как локальные объяснения прогнозов, так и глобальную значимость признаков и их взаимозависимости.

Исследователи предлагают эффективный метод расчета SHAP-значений для Transformer-моделей, позволяющий понять, какие факторы влияют на прогнозы временных рядов.

Предсказание будущего космоса: как нейросети продлевают жизнь аппаратам

Новая модель на основе рекуррентных нейронных сетей позволяет точнее прогнозировать срок службы космических аппаратов и планировать развитие технологий освоения космоса.