Crossformer: Трансформер за зависимост между измеренията за прогнозиране на многовариантни времеви редове
Crossformer е архитектура, базирана на Трансформер, за прогнозиране на многовариантни времеви редове, представена от Yunhao Zhang и Junchi Yan на ICLR 2023. За разлика от по-ранните варианти на Трансформер, които третират всяка променлива независимо, Crossformer изрично моделира зависимости между измеренията заедно с времевите модели. Той постига това чрез двуетапен дизайн на вниманието — между времето и между измеренията — приложен върху сегментни вграждания, организирани в йерархичен енкодер, което позволява на модела да улавя както вътрешно-променливи динамики, така и между-променливи корелации едновременно.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Zhang, Y., & Yan, J. (2023). Crossformer: Transformer utilizing cross-dimension dependency for multivariate time series forecasting. ICLR. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Crossformer (Cross-Dimension Dependency Transformer). ScholarGate. https://scholargate.app/bg/deep-learning/crossformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- InformerДълбоко обучение↔ compare
- iTransformerДълбоко обучение↔ compare
- PatchTSTДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →