ETSformer: Eksponentsiaalset silumist kasutavad Transformerid aegridade prognoosimiseks
ETSformer on süvaõppe arhitektuur aegridade prognoosimiseks, mille tutvustasid Woo jt 2022. aastal. See integreerib klassikalised eksponentsiaalse silumise printsiibid otse Transformer-raamistikku, asendades standardse enesetähelepanu (self-attention) eksponentsiaalse silumise tähelepanu mehhanismiga. Mudel dekomponeerib aegrea taseme-, kasvu- (trend) ja hooajalisteks komponentideks, võimaldades tal kasutada nii Transformerite pikaajaliste sõltuvuste modelleerimist kui ka statistiliste ETS-mudelite tõlgendatavat struktuuri.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). ETSformer (Exponential Smoothing Transformer). ScholarGate. https://scholargate.app/et/deep-learning/etsformer
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.
- AutoformerSüvaõpe↔ compare
- ETS: vea, trendi, hooajalise eksponentsiaalne silumineÖkonomeetria↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →