Metodin todisteiden tietue

Autoformer

Autoformer is a deep learning architecture for long-term time-series forecasting, introduced by Wu et al. from Tsinghua University at NeurIPS 2021. It replaces the standard self-attention mechanism with an Auto-Correlation mechanism that exploits periodic dependencies in the frequency domain, and embeds a progressive series decomposition block throughout the encoder and decoder to separately model trend and seasonal components.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Autoformer (Auto-Correlation Decomposition Transformer)

Taksonominen metoditietue · ml-model / deep-learning

Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. · URL

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.