arXiv Artificial Intelligence· Chiang Qin Zhi, Ranjan Satapathy, Erik Cambria, Joyjit Chattoraj·· 13 小时前AI 评分29
TailDART：面向金融时间序列预测的轻量高效基础模型
TailDART: Compute-Efficient Foundation Models for Financial Time-Series Forecasting
AI 导读
TailDART 是一个仅 268 万参数的稠密基础模型，专为金融时间序列预测设计，通过将分组查询注意力（GQA）引入轻量骨干网络，大幅降低 Key-Value 缓存内存带宽开销，推理速度较主流 SOTA 时间序列基础模型最高提升 48.1%。多资产、多时间分辨率基准显示，该紧凑模型预测精度可匹敌显著更大的基线模型，并在高波动行情下表现出更强的误差鲁棒性。
推荐理由模型分析
TailDART 把分组查询注意力用于 268 万参数的轻量金融时序基础模型，针对的是自回归解码延迟和 KV 缓存带宽瓶颈，报告相对现有 TSFM 最高 48.1% 的推理加速。多资产、多时间分辨率基准显示其预测精度可接近更大基线，并在高波动区间表现出更好的误差韧性。关注低延迟流式推理的开发者可据此比较小模型与过参数化模型在金融预测上的取舍，但结论限于论文基准，尚非实盘验证。
来源：arXiv Artificial Intelligence · arxiv.org