Non-stationary Transformer
Non-stationary Transformer je architektura pro předpověď časových řad založená na Transformeru, kterou představili Yong Liu, Haixu Wu, Jianmin Wang a Mingsheng Long na konferenci NeurIPS 2022. Řeší zásadní napětí při aplikaci Transformerů na reálné časové řady: nadměrná stationarizace během předzpracování odstraňuje nestacionární signály, které nesou prediktivní informaci, zatímco surové nestacionární vstupy způsobují kolaps pozornosti. Model to řeší stationarizací řad spárovanou s novým de-stationarizačním mechanismem pozornosti, který obnovuje původní časové rozložení v predikcích.
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
- Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/cs/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.
- Test jednotkové odmocniny Augmented Dickey-Fuller (ADF)Ekonometrie↔ compare
- Autoformer: Transformer s dekompozicí pro dlouhodobé časové řadyHluboké učení↔ compare
- InformerHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →