Non-stationary Transformer
Non-stationary Transformer on Transformer-pohjainen aikasarjaennustusarkkitehtuuri, jonka Yong Liu, Haixu Wu, Jianmin Wang ja Mingsheng Long esittelivät NeurIPS 2022 -konferenssissa. Se käsittelee perustavanlaatuista jännitettä Transformerien soveltamisessa reaalimaailman aikasarjoihin: esikäsittelyn aikainen ylitasapainottaminen poistaa epästationaarisia signaaleja, jotka sisältävät ennustavaa tietoa, kun taas raa'at epästationaariset syötteet aiheuttavat huomion romahtamisen. Malli ratkaisee tämän sarjan stationarisaatiolla yhdistettynä uuteen de-stationaariseen huomiomekanismiin, joka palauttaa alkuperäisen ajallisen jakauman ennusteisiin.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/fi/deep-learning/nonstationary-transformer
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Augmented Dickey-Fuller (ADF) -yksikköjuurestestiEkonometria↔ vertaa
- Autoformer: Dekompositio-muuntaja pitkän aikavälin aikasarjaennustamiseenSyväoppiminen↔ vertaa
- InformerSyväoppiminen↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →