FreTS: MLPs ve frekvenční doméně pro předpověď časových řad
FreTS je architektura pro předpověď časových řad, kterou představili Yi et al. na konferenci NeurIPS 2023. Odklání se od návrhů založených na Transformeru tím, že aplikuje jednoduché vícevrstvé perceptrony (MLP) výhradně ve frekvenční doméně. Model transformuje vstupní sekvence pomocí diskrétní Fourierovy transformace a poté se učí časové a kanálové závislosti prostřednictvím komplexně-hodnotových MLP vrstev, čímž dosahuje konkurenční nebo lepší přesnosti dlouhodobé předpovědi s podstatně nižšími výpočetními náklady.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/cs/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: Frekvenčně vylepšený dekomponovaný TransformerHluboké učení↔ compare
- FiLM: Model s vylepšenou frekvencí a Legendreovou pamětíHluboké učení↔ compare
- TSMixer: Architektura čistě založená na MLP pro predikci časových řadHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →