ترانسفورمر ناایستا
ترانسفورمر ناایستا یک معماری پیشبینی سریهای زمانی مبتنی بر ترانسفورمر است که توسط یونگ لیو، هایشو وو، جیانمین وانگ و مینگشنگ لانگ در NeurIPS 2022 معرفی شد. این معماری به یک چالش اساسی در بهکارگیری ترانسفورمرها در سریهای زمانی واقعی میپردازد: بیش از حد ایستا کردن (over-stationarization) در مرحله پیشپردازش، سیگنالهای ناایستایی را که حاوی اطلاعات پیشبینیکننده هستند، از بین میبرد، در حالی که ورودیهای ناایستای خام باعث فروپاشی توجه (attention collapse) میشوند. این مدل با ایستا کردن سریها همراه با یک مکانیزم توجه ناایستا کننده (de-stationary attention) جدید که توزیع زمانی اصلی را در پیشبینیها بازیابی میکند، این مشکل را حل میکند.
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., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/fa/deep-learning/nonstationary-transformer
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.
- آزمون ریشه واحد دیکی-فولر بسطیافته (ADF)اقتصادسنجی↔ compare
- Autoformer: ترنسفورمر تجزیهکننده برای پیشبینی سریهای زمانی بلندمدتیادگیری عمیق↔ compare
- Informerیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →