FreTS: Taajuusalueen MLP:t aikasarjaennustamiseen
FreTS on aikasarjaennustamisen arkkitehtuuri, jonka Yi et al. esittelivät NeurIPS 2023 -konferenssissa. Se poikkeaa Transformer-pohjaisista malleista soveltamalla yksinkertaisia monitasoisia perseptroneja (MLP) täysin taajuusalueella. Malli muuntaa syötesekvenssit diskreetillä Fourier-muunnoksella ja oppii sitten ajalliset ja kanavakohtaiset riippuvuudet kompleksiarvoisten MLP-kerrosten avulla, saavuttaen kilpailukykyisen tai paremman pitkän aikavälin ennustuskyvyn huomattavasti pienemmillä laskentakustannuksilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). Frequency-domain MLPs are more effective learners in time series forecasting. NeurIPS. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/fi/deep-learning/frets
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.
- FEDformer: Taajuusparannettu hajotettu TransformerSyväoppiminen↔ compare
- FiLM: Frequency Improved Legendre Memory ModelSyväoppiminen↔ compare
- TSMixer: täysin MLP-arkkitehtuuri aikasarjaennustamiseenSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →