Autoformer: טרנספורמר מבוסס פירוק לחיזוי סדרות עתיות ארוכות טווח
Autoformer הוא ארכיטקטורת למידה עמוקה לחיזוי סדרות עתיות ארוכות טווח, שהוצגה על ידי Wu ועמיתיו מאוניברסיטת Tsinghua בכנס NeurIPS 2021. היא מחליפה את מנגנון הקשב העצמי (self-attention) הסטנדרטי במנגנון אוטוקורלציה (Auto-Correlation) המנצל תלויות מחזוריות בתחום התדר, ומשלבת בלוק פירוק סדרות מתקדם (progressive series decomposition) לאורך המקודד והמפענח כדי למדל בנפרד רכיבי מגמה ועונתיות.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/he/deep-learning/autoformer
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.
- מודל ARIMA (Autoregressive Integrated Moving Average)אקונומטריקה↔ compare
- FEDformer: טרנספורמר משופר-תדרלמידה עמוקה↔ compare
- מְיַדֵּעַלמידה עמוקה↔ compare
- TimesNet: מידול שינויים דו-ממדיים בזמן עבור סדרות עתיותלמידה עמוקה↔ compare