FreTS: MLPs en el domini de la freqüència per a la predicció de sèries temporals
FreTS és una arquitectura de predicció de sèries temporals introduïda per Yi et al. a NeurIPS 2023. Es diferencia dels dissenys basats en Transformer aplicant simples Perceptrons Multicapa (MLP) completament en el domini de la freqüència. El model transforma seqüències d'entrada amb la Transformada Discreta de Fourier i després aprèn dependències temporals i de canal mitjançant capes MLP de valor complex, aconseguint una precisió de predicció a llarg termini competitiva o superior amb un cost computacional substancialment menor.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/ca/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: Transformer millorat per freqüència per a la descomposicióAprenentatge profund↔ compare
- FiLM: Frequency Improved Legendre Memory ModelAprenentatge profund↔ compare
- TSMixer: Arquitectura Totalment MLP per a la Predicció de Sèries TemporalsAprenentatge profund↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →