Trask: uma poderosa arquitetura de rede neural para previsão de séries temporais

Trask é um tipo de arquitetura de rede neural projetada especificamente para tarefas de previsão de séries temporais. Foi introduzido por pesquisadores do Google em 2019 e desde então tem sido amplamente adotado no campo de aprendizado de máquina para previsão de séries temporais.

A principal inovação do Trask é o uso de um novo mecanismo de atenção chamado mecanismo de "autoatenção consciente do tempo" , o que permite que o modelo se concentre seletivamente em diferentes partes da série temporal de entrada ao fazer previsões. Isso permite que Trask capture dependências temporais complexas nos dados e faça previsões mais precisas do que outras arquiteturas de redes neurais.

Trask também usa uma combinação de redes neurais convolucionais e recorrentes (CNNs e RNNs) para processar a série temporal de entrada, o que permite capturar padrões de curto e longo prazo nos dados. As CNNs são usadas para extrair características locais dos dados de entrada, enquanto as RNNs são usadas para modelar as dependências temporais entre as características.

No geral, o Trask é uma ferramenta poderosa para tarefas de previsão de séries temporais e demonstrou atingir o estado de- resultados da arte em vários conjuntos de dados de referência.