Εγγραφή τεκμηρίου μεθόδου

FEDformer

FEDformer is a Transformer-based architecture for long-term multivariate time-series forecasting, introduced by Zhou et al. at ICML 2022. Its core innovation is the combination of seasonal-trend decomposition with frequency-domain attention: instead of computing full token-to-token attention in the time domain, FEDformer projects queries, keys, and values into the frequency domain via Fourier or wavelet transforms and operates on a randomly selected subset of frequency components, achieving linear complexity while preserving global temporal structure.

Sources recorded, not reviewed

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

FEDformer (Frequency Enhanced Decomposed Transformer)

Εγγραφή ταξινομικής μεθόδου · ml-model / deep-learning

Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. · URL

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.

Taxonomic bucketAutoformermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketFiLMmachine-suggested · Relational suggestion, not evidence.Same method familyInformermachine-suggested · Relational suggestion, not evidence.