مدلسازی وابستگیهای پیچیده در دادههای سری زمانی، همیشه یکی از چالشهای بزرگ در یادگیری ماشین بوده است. مدلهای مبتنی بر توجه (Attention) معمولاً با افزایش حجم دادهها، به دلیل محاسبات سنگین دچار افت سرعت میشوند.
محققان در مقاله جدیدی، مدل CARNet را معرفی کردهاند که با استفاده از ساختار «چرخهای» (Cycle-Conditioned)، بدون نیاز به مکانیزمهای سنگین اتنشن، روابط بین متغیرها را با پیچیدگی خطی تحلیل میکند. این یعنی دقت بالاتر در پیشبینیهای طولانیمدت، آن هم با مصرف منابع کمتر! 💡✨
منبع: arXiv Machine Learning