Pyraformer: Transformer Piramidal per a la Predicció de Sèries Temporals a Llarg Termini
Pyraformer és un model basat en Transformer per a la predicció de sèries temporals a llarg termini introduït per Liu et al. a ICLR 2022. La seva innovació central és un Mòdul d'Atenció Piramidal (PAM) que organitza els tokens en una jerarquia multiresolució, permetent al model capturar dependències temporals en múltiples escales mantenint la complexitat de temps i memòria en O(L log L) en lloc del cost quadràtic de l'atenció pròpia (self-attention) estàndard.
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, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/ca/deep-learning/pyraformer
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.
- AutoformerAprenentatge profund↔ compare
- InformerAprenentatge profund↔ compare
- Reformer: El Transformer eficient per a seqüències llarguesAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →