iTransformer: ترانسفورمر معکوس برای پیشبینی سریهای زمانی چندمتغیره
iTransformer یک معماری یادگیری عمیق برای پیشبینی سریهای زمانی چندمتغیره است که توسط Liu و همکاران در ICLR 2024 معرفی شد. ایده اصلی آن معکوس کردن استراتژی توکنسازی متعارف ترانسفورمر است: به جای در نظر گرفتن هر گام زمانی به عنوان یک توکن، iTransformer هر متغیر (کانال سنسور یا سری ویژگی) را به عنوان یک توکن واحد در نظر میگیرد که جاسازی آن پنجره مشاهدهای کامل را رمزگذاری میکند. سپس خود-توجهی (self-attention) بین متغیرها اعمال میشود تا وابستگیهای بین سریها را ثبت کند، در حالی که یک شبکه پیشخور (feed-forward network) در داخل هر توکن الگوهای زمانی را یاد میگیرد.
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
- Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer: Inverted transformers are effective for time series forecasting. ICLR. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). iTransformer (Inverted Transformer for Forecasting). ScholarGate. https://scholargate.app/fa/deep-learning/itransformer
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.
- Crossformerیادگیری عمیق↔ compare
- پچتیاستییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →