TSMixer: معماری تمام MLP برای پیشبینی سری زمانی
TSMixer یک مدل پیشبینی سری زمانی چندمتغیره است که در سال ۲۰۲۳ توسط سی-آن چن و همکارانش در گوگل معرفی شد. این مدل با نشان دادن اینکه یک پشته ساده از لایههای MLP درهمتنیده - که بین ترکیب در امتداد محور زمان و ترکیب در کانالهای ویژگی متناوب هستند - دقت پیشبینی قوی را با حفظ کارایی محاسباتی و سهولت تفسیر معماری به دست میآورد، سلطه غالب معماریهای مبتنی بر ترنسفورمر را به چالش میکشد.
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
- Chen, S.-A., Li, C.-L., Yoder, N., Arik, S. O., & Pfister, T. (2023). TSMixer: An all-MLP architecture for time series forecasting. Transactions on Machine Learning Research. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). TSMixer (All-MLP Architecture for Forecasting). ScholarGate. https://scholargate.app/fa/deep-learning/tsmixer
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 خطی تجزیهپذیر برای پیشبینی سریهای زمانی (DLinear)یادگیری عمیق↔ compare
- پِرسِپترون چندلایهای (MLP)یادگیری عمیق↔ compare
- TimeMixer: ترکیبی چندمقیاسی تجزیهپذیر برای پیشبینی سریهای زمانییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →