FreTS: Frequenzbereichs-MLPs für Zeitreihenprognosen
FreTS ist eine Zeitreihenprognosearchitektur, die von Yi et al. auf der NeurIPS 2023 vorgestellt wurde. Sie weicht von Transformer-basierten Designs ab, indem sie einfache Multi-Layer Perceptrons (MLPs) vollständig im Frequenzbereich anwendet. Das Modell transformiert Eingabesequenzen mit der Diskreten Fourier-Transformation und lernt dann zeitliche und kanalbezogene Abhängigkeiten durch komplexwertige MLP-Schichten, wodurch eine wettbewerbsfähige oder überlegene Langzeitprognosegenauigkeit bei deutlich geringeren Rechenkosten erzielt wird.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/de/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: Frequency Enhanced Decomposed TransformerDeep Learning↔ compare
- FiLM: Frequency Improved Legendre Memory ModelDeep Learning↔ compare
- TSMixer: Eine reine MLP-Architektur für ZeitreihenprognosenDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →