FEDformer: Taajuusparannettu hajotettu Transformer
FEDformer on Transformer-pohjainen arkkitehtuuri pitkän aikavälin monimuuttujaisten aikasarjaennusteiden tekemiseen, jonka Zhou et al. esittelivät ICML 2022 -konferenssissa. Sen ydininnovaatio on kausivaihtelu-trendi-hajotuksen yhdistäminen taajuusalueen tarkkaavaisuuteen: sen sijaan, että laskettaisiin täysi token-token-tarkkaavaisuus aikatasossa, FEDformer projisoi kyselyt, avaimet ja arvot taajuusalueelle Fourier- tai aallokemuunnoksilla ja toimii satunnaisesti valitulla taajuuskomponenttien osajoukolla, saavuttaen lineaarisen kompleksisuuden säilyttäen samalla globaalin ajallisen rakenteen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/fi/deep-learning/fedformer
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: Dekompositio-muuntaja pitkän aikavälin aikasarjaennustamiseenSyväoppiminen↔ compare
- FiLM: Frequency Improved Legendre Memory ModelSyväoppiminen↔ compare
- InformerSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →