FEDformer: Frekvensforstærket Dekomponeret Transformer
FEDformer er en Transformer-baseret arkitektur til langvarig multivariat tidsserieprognose, introduceret af Zhou et al. ved ICML 2022. Dens kerneinnovation er kombinationen af sæson-trend-dekomponering med frekvensdomæne-attention: i stedet for at beregne fuld token-til-token-attention i tidsdomænet, projicerer FEDformer queries, keys og values ind i frekvensdomænet via Fourier- eller wavelet-transformationer og opererer på en tilfældigt udvalgt delmængde af frekvenskomponenter, hvilket opnår lineær kompleksitet, mens den globale tidsmæssige struktur bevares.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/da/deep-learning/fedformer
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.
- Autoformer: Transformer-dekomposition til langtids-tidsserieprognoserDyb læring↔ compare
- FiLM: Frekvensforbedret Legendre-hukommelsesmodelDyb læring↔ compare
- InformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →