FreTS : Perceptronnes multicouches dans le domaine fréquentiel pour la prévision de séries temporelles
FreTS est une architecture de prévision de séries temporelles introduite par Yi et al. à NeurIPS 2023. Elle s'écarte des conceptions basées sur Transformer en appliquant de simples perceptronnes multicouches (MLP) entièrement dans le domaine fréquentiel. Le modèle transforme les séquences d'entrée avec la Transformée de Fourier Discrète, puis apprend les dépendances temporelles et de canaux via des couches MLP à valeurs complexes, atteignant une précision de prévision à long terme compétitive ou supérieure avec un coût computationnel substantiellement réduit.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/fr/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 : Transformeur décomposé à fréquence amélioréeApprentissage profond↔ compare
- FiLM: Modèle de mémoire de Legendre à fréquence amélioréeApprentissage profond↔ compare
- TSMixer : une architecture tout MLP pour la prévision de séries temporellesApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →