Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting
Стандартният Transformer сравнява всеки времеви отрязък с всеки друг, така че цената на неговото внимание расте квадратично спрямо дължината на последователността и става непрактична за много дълги редове. Прозрението на Informer е, че само няколко заявки всъщност носят по-голямата част от теглото на вниманието; останалите допринасят малко. Чрез избирането на тези доминиращи заявки и пропускането на незначителните, той запазва полезната дългосрочна структура, като същевременно драстично намалява цената, правейки прогнозите за много дълги хоризонти осъществими.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Източници
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- Wu, H., Xu, J., Wang, J. & Long, M. (2021). Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. NeurIPS 34. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/bg/deep-learning/informer
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.
- Модел ARIMA (Autoregressive Integrated Moving Average)Иконометрия↔ compare
- DeepARДълбоко обучение↔ compare
- N-HiTSДълбоко обучение↔ compare
- PatchTSTДълбоко обучение↔ compare
- Случайна гораМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →