پایرافرمر: ترنسفورمر توجه هرمی برای پیشبینی سریهای زمانی دوربرد
پایرافرمر مدلی مبتنی بر ترنسفورمر برای پیشبینی سریهای زمانی دوربرد است که توسط لیو و همکاران در ICLR 2022 معرفی شد. نوآوری اصلی آن ماژول توجه هرمی (PAM) است که توکنها را در سلسله مراتبی با وضوح چندگانه سازماندهی میکند و به مدل امکان میدهد وابستگیهای زمانی را در مقیاسهای مختلف ثبت کند و در عین حال پیچیدگی زمانی و حافظه را در حد O(L log L) نگه دارد، به جای هزینه درجه دوم توجه خودکار استاندارد.
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, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/fa/deep-learning/pyraformer
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.
- Autoformer: ترنسفورمر تجزیهکننده برای پیشبینی سریهای زمانی بلندمدتیادگیری عمیق↔ compare
- Informerیادگیری عمیق↔ compare
- Reformer: The Efficient Transformer for Long Sequencesیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →