FreTS: רשתות רב-שכבתיות (MLPs) בתחום התדר לחיזוי סדרות עתיות
FreTS היא ארכיטקטורת חיזוי סדרות עתיות שהוצגה על ידי Yi ואח'. ב-NeurIPS 2023. היא חורגת מתכנונים מבוססי טרנספורמר על ידי יישום רשתות רב-שכבתיות (MLPs) פשוטות לחלוטין בתחום התדר. המודל ממיר רצפים קלטים באמצעות התמרת פורייה בדידה (Discrete Fourier Transform) ואז לומד תלויות זמניות ובין-ערוציות (channel dependencies) דרך שכבות MLP מרוכבות, תוך השגת דיוק חיזוי לטווח ארוך תחרותי או עדיף בעלות חישובית נמוכה משמעותית.
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
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/he/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: טרנספורמר משופר-תדרלמידה עמוקה↔ compare
- FiLM: מודל זיכרון לז'נדר משופר תדרלמידה עמוקה↔ compare
- TSMixer: ארכיטקטורת MLP בלבד לחיזוי סדרות עתיותלמידה עמוקה↔ compare