FreTS: MLPs en el Dominio de la Frecuencia para Pronóstico de Series Temporales
FreTS es una arquitectura de pronóstico de series temporales introducida por Yi et al. en NeurIPS 2023. Se aparta de los diseños basados en Transformers al aplicar Perceptrones Multicapa (MLPs) simples enteramente en el dominio de la frecuencia. El modelo transforma secuencias de entrada con la Transformada Discreta de Fourier y luego aprende dependencias temporales y de canal a través de capas MLP de valor complejo, logrando una precisión de pronóstico a largo plazo competitiva o superior con un costo computacional sustancialmente menor.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/es/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: Transformador con Decomposición y Mejora de FrecuenciaAprendizaje profundo↔ compare
- FiLM: Modelo de Memoria Legendre con Frecuencia MejoradaAprendizaje profundo↔ compare
- TSMixer: Arquitectura totalmente MLP para predicción de series temporalesAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →