فریتس: شبکههای پرسپترون چندلایه در حوزه فرکانس برای پیشبینی سریهای زمانی
فریتس (FreTS) یک معماری پیشبینی سری زمانی است که توسط یی و همکاران در NeurIPS 2023 معرفی شد. این معماری با اعمال شبکههای پرسپترون چندلایه (MLP) ساده به طور کامل در حوزه فرکانس، از طرحهای مبتنی بر ترنسفورمر فاصله میگیرد. این مدل دنبالههای ورودی را با استفاده از تبدیل فوریه گسسته تبدیل میکند و سپس وابستگیهای زمانی و کانالی را از طریق لایههای MLP مختلط مقادیر یاد میگیرد و به دقت پیشبینی بلندمدت رقابتی یا برتر را با هزینه محاسباتی به طور قابل توجهی کمتر به دست میآورد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/fa/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.
- فِدفورمر: ترانسفورمر تجزیهشده با تقویت فرکانسیادگیری عمیق↔ compare
- فیلم: مدل حافظه لژاندر بهبود یافته با فرکانسیادگیری عمیق↔ compare
- TSMixer: معماری تمام MLP برای پیشبینی سری زمانییادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →