ScholarGate
Assistent
Machine learningTime-series forecasting

TSMixer: All-MLP Arkitektur til Tidsserieprognoser

TSMixer er en multivariat tidsserieprognosemodel introduceret af Si-An Chen og kolleger hos Google i 2023. Den udfordrer den fremherskende dominans af Transformer-baserede arkitekturer ved at demonstrere, at en simpel stak af interleaved MLP-lag — der skifter mellem at blande langs tidsaksen og blande på tværs af feature-kanaler — opnår stærk prognosenøjagtighed, samtidig med at den forbliver beregningsmæssigt effektiv og let at fortolke arkitektonisk.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. Chen, S.-A., Li, C.-L., Yoder, N., Arik, S. O., & Pfister, T. (2023). TSMixer: An all-MLP architecture for time series forecasting. Transactions on Machine Learning Research. link

Sådan citerer du denne side

ScholarGate. (2026, June 2). TSMixer (All-MLP Architecture for Forecasting). ScholarGate. https://scholargate.app/da/deep-learning/tsmixer

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.

Compare side by side

Refereret af

ScholarGateTSMixer (TSMixer (All-MLP Architecture for Forecasting)). Hentet 2026-06-15 fra https://scholargate.app/da/deep-learning/tsmixer · Datasæt: https://doi.org/10.5281/zenodo.20539026