Metodin todisteiden tietue

TiDE

TiDE (Time-series Dense Encoder) is an MLP-based encoder-decoder architecture for long-term multivariate time-series forecasting, introduced by Abhimanyu Das and colleagues at Google Research in 2023. The model encodes past time-series observations together with static and dynamic covariates through stacked dense (MLP) layers, then decodes a latent representation into future forecasts. TiDE demonstrates that simple linear and dense architectures can match or outperform Transformer-based models on standard long-term forecasting benchmarks while being significantly faster.

Sources recorded, not reviewed

Lähdetietue

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

TiDE (Time-series Dense Encoder)

Taksonominen metoditietue · ml-model / deep-learning

Das, A., Kong, W., Leach, A., Mathur, S., Sen, R., & Yu, R. (2023). Long-term forecasting with TiDE: Time-series dense encoder. Transactions on Machine Learning Research. · 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 bucketDLinearmachine-suggested · Relational suggestion, not evidence.Same method familyMultilayer Perceptronmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTSMixermachine-suggested · Relational suggestion, not evidence.