iTransformer: Inverteret Transformer til Multivariat Tidsserieprognose
iTransformer er en deep-learning-arkitektur til multivariat tidsserieprognose introduceret af Liu et al. ved ICLR 2024. Dens definerende idé er at invertere den konventionelle Transformer-tokeniseringsstrategi: i stedet for at behandle hvert tidstrin som et token, behandler iTransformer hver variat (sensor-kanal eller funktionsserie) som et enkelt token, hvis indlejring (embedding) koder for hele det observerede look-back-vindue. Selvopmærksomhed (self-attention) anvendes derefter på tværs af variater for at fange inter-serie-afhængigheder, mens et feed-forward-netværk inden for hvert token lærer tidsmæssige mønstre.
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
- Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer: Inverted transformers are effective for time series forecasting. ICLR. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). iTransformer (Inverted Transformer for Forecasting). ScholarGate. https://scholargate.app/da/deep-learning/itransformer
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.
- CrossformerDyb læring↔ compare
- PatchTSTDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →