FreTS: Frekvensdomæne MLPer til Tidsserieprognoser
FreTS er en tidsserieprognosearkitektur introduceret af Yi et al. ved NeurIPS 2023. Den afviger fra Transformer-baserede designs ved at anvende simple Multi-Layer Perceptrons (MLPer) udelukkende i frekvensdomænet. Modellen transformerer inputsekvenser med den Diskrete Fourier Transformation og lærer derefter temporale og kanalafhængigheder gennem komplekse MLP-lag, hvilket opnår konkurrencedygtig eller overlegen langsigtet prognosenøjagtighed med væsentligt lavere beregningsomkostninger.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/da/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: Frekvensforstærket Dekomponeret TransformerDyb læring↔ compare
- FiLM: Frekvensforbedret Legendre-hukommelsesmodelDyb læring↔ compare
- TSMixer: All-MLP Arkitektur til TidsserieprognoserDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →