Transformer no estacionari
El Transformer no estacionari és una arquitectura de predicció de sèries temporals basada en Transformer introduïda per Yong Liu, Haixu Wu, Jianmin Wang i Mingsheng Long a NeurIPS 2022. Aborda una tensió fonamental en l'aplicació de Transformers a sèries temporals del món real: la sobre-estacionarització durant el preprocés elimina senyals no estacionaris que contenen informació predictiva, mentre que les entrades no estacionàries brutes fan que l'atenció col·lapsi. El model resol això mitjançant la estacionarització de sèries combinada amb un mecanisme d'atenció de-estacionariador nou que restaura la distribució temporal original en les prediccions.
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
- Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/ca/deep-learning/nonstationary-transformer
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.
- Prova de la unitat-arrel (ADF) augmentada de Dickey-FullerEconometria↔ compare
- AutoformerAprenentatge profund↔ compare
- InformerAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →