FreTS: Честотно-домейнни многослойни перцептрони (MLP) за прогнозиране на времеви редове
FreTS е архитектура за прогнозиране на времеви редове, представена от Yi et al. на NeurIPS 2023. Тя се отклонява от базирани на Трансформър дизайни, като прилага прости многослойни перцептрони (MLP) изцяло в честотната област. Моделът трансформира входните последователности с дискретна трансформация на Фурие и след това научава времеви и канални зависимости чрез комплексни MLP слоеве, постигайки конкурентна или превъзходна дългосрочна прогнозна точност със значително по-ниски изчислителни разходи.
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
- Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). Frequency-domain MLPs are more effective learners in time series forecasting. NeurIPS. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/bg/deep-learning/frets
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.
- FEDformer: Подобрен с честотна област ТрансформърДълбоко обучение↔ compare
- FiLM: Подобрен с честота модел с Лежандрова паметДълбоко обучение↔ compare
- TSMixer: Изцяло базирана на MLP архитектура за прогнозиране на времеви редовеДълбоко обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →