Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting
یک ترنسفورمر استاندارد هر گام زمانی را با هر گام زمانی دیگر مقایسه میکند، بنابراین هزینه توجه آن به صورت درجه دوم با طول دنباله افزایش مییابد و برای سریهای بسیار طولانی غیرعملی میشود. بینش اینفورمر این است که تنها تعداد کمی از پرسوجوها (queries) واقعاً بیشترین وزن توجه را حمل میکنند؛ بقیه سهم کمی دارند. با انتخاب این پرسوجوهای غالب و نادیده گرفتن پرسوجوهای ناچیز، ساختار مفید دوربرد حفظ میشود و در عین حال هزینه به طور چشمگیری کاهش مییابد و پیشبینی در افقهای طولانی را امکانپذیر میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
منابع
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- Wu, H., Xu, J., Wang, J. & Long, M. (2021). Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. NeurIPS 34. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/fa/deep-learning/informer
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.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ compare
- DeepARیادگیری عمیق↔ compare
- N-HiTSیادگیری عمیق↔ compare
- پچتیاستییادگیری عمیق↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →