FreTS: MLPs στο πεδίο συχνοτήτων για πρόβλεψη χρονοσειρών
Το FreTS είναι μια αρχιτεκτονική πρόβλεψης χρονοσειρών που εισήχθη από τους Yi et al. στο NeurIPS 2023. Αποκλίνει από τα σχέδια που βασίζονται σε Transformer εφαρμόζοντας απλά Πολυεπίπεδα Αντιληπτήρια (MLPs) εξ ολοκλήρου στο πεδίο των συχνοτήτων. Το μοντέλο μετασχηματίζει τις ακολουθίες εισόδου με τη Διακριτή Μετασχηματισμό Fourier και στη συνέχεια μαθαίνει χρονικές και διαύλικές εξαρτήσεις μέσω πολύπλοκων MLP επιπέδων, επιτυγχάνοντας ανταγωνιστική ή ανώτερη μακροπρόθεσμη ακρίβεια πρόβλεψης με σημαντικά χαμηλότερο υπολογιστικό κόστος.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/el/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.
- FEDformerΒαθιά Μάθηση↔ compare
- FiLM: Μοντέλο Μνήμης Βελτιωμένης Συχνότητας LegendreΒαθιά Μάθηση↔ compare
- TSMixer: Αρχιτεκτονική All-MLP για Πρόβλεψη ΧρονοσειρώνΒαθιά Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →