FEDformer: Transformer Berbasis Peningkatan Frekuensi yang Terurai
FEDformer adalah arsitektur berbasis Transformer untuk peramalan deret waktu multivariat jangka panjang, yang diperkenalkan oleh Zhou et al. di ICML 2022. Inovasi intinya adalah kombinasi dekomposisi musiman-tren dengan perhatian domain frekuensi: alih-alih menghitung perhatian token-ke-token penuh dalam domain waktu, FEDformer memproyeksikan kueri, kunci, dan nilai ke domain frekuensi melalui transformasi Fourier atau wavelet dan beroperasi pada subset komponen frekuensi yang dipilih secara acak, mencapai kompleksitas linier sambil mempertahankan struktur temporal global.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/id/deep-learning/fedformer
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.
- Autoformer: Transformer Dekomposisi untuk Peramalan Deret Waktu Jangka PanjangPembelajaran Mendalam↔ compare
- FiLM: Model Memori Legendre yang Ditingkatkan FrekuensinyaPembelajaran Mendalam↔ compare
- InformerPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →