Pyraformer: Pyramidal Attention Transformer til langtids-tidsserie-prognoser
Pyraformer er en Transformer-baseret model til langtids-tidsserie-prognoser introduceret af Liu et al. på ICLR 2022. Dens centrale innovation er et Pyramidal Attention Module (PAM), der organiserer tokens i et hierarki med flere opløsninger, hvilket gør det muligt for modellen at fange temporale afhængigheder på tværs af flere skalaer, samtidig med at tids- og hukommelseskompleksiteten holdes på O(L log L) i stedet for den kvadratiske omkostning ved vanilla self-attention.
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, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/da/deep-learning/pyraformer
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
- InformerDyb læring↔ compare
- Reformer: Den effektive Transformer til lange sekvenserDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →