Metodin todisteiden tietue

FEDformer

FEDformer is a Transformer-based architecture for long-term multivariate time-series forecasting, introduced by Zhou et al. at ICML 2022. Its core innovation is the combination of seasonal-trend decomposition with frequency-domain attention: instead of computing full token-to-token attention in the time domain, FEDformer projects queries, keys, and values into the frequency domain via Fourier or wavelet transforms and operates on a randomly selected subset of frequency components, achieving linear complexity while preserving global temporal structure.

Sources recorded, not reviewed

Lähdetietue

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

FEDformer (Frequency Enhanced Decomposed Transformer)

Taksonominen metoditietue · ml-model / deep-learning

Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. · 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.

Taxonomic bucketAutoformermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketFiLMmachine-suggested · Relational suggestion, not evidence.Same method familyInformermachine-suggested · Relational suggestion, not evidence.