Pyraformer: Pyramidal Attention Transformer für Langzeit-Zeitreihenprognosen
Pyraformer ist ein auf Transformer basierendes Modell für Langzeit-Zeitreihenprognosen, das von Liu et al. auf der ICLR 2022 vorgestellt wurde. Seine zentrale Neuerung ist ein Pyramidal Attention Module (PAM), das Tokens in einer Hierarchie mit mehreren Auflösungen organisiert. Dies ermöglicht dem Modell, zeitliche Abhängigkeiten über mehrere Skalen hinweg zu erfassen, während die Zeit- und Speicherkomplexität bei O(L log L) liegt, anstatt der quadratischen Kosten der Vanilla Self-Attention.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/de/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: Decomposition Transformer für die Langzeit-ZeitreihenprognoseDeep Learning↔ compare
- InformerDeep Learning↔ compare
- Reformer: Der effiziente Transformer für lange SequenzenDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →