Разумные алгоритмы: обнаружение аномалий во временных рядах с помощью языковых моделей

Предложенная схема использует агента на основе LSTM, управляемого обучением с подкреплением, который анализирует временные ряды посредством скользящих окон; награда формируется путем объединения реконструкции на основе VAE и потенциала большой языковой модели для семантического формирования с использованием меток, полученных в процессе активного обучения, что позволяет получать прогнозы аномалий.

Новый подход объединяет обучение с подкреплением и возможности больших языковых моделей для более точного выявления отклонений в данных временных рядов.

Предсказываем трафик: кто лучший из глубоких нейросетей?

В исследовании демонстрируется взаимосвязь между производительностью моделей и их эффективностью, где на различных наборах данных наблюдается компромисс между точностью и такими показателями, как время обучения, размер модели и энергопотребление, при этом оптимальные модели, обеспечивающие наилучший баланс, выделены для каждого набора данных и метрики.

Новое исследование проводит всесторонний анализ современных моделей глубокого обучения для прогнозирования сетевого трафика, выявляя оптимальный баланс между точностью и эффективностью.