FreTS: MLP Domain Frekuensi untuk Peramalan Deret Waktu
FreTS adalah arsitektur peramalan deret waktu yang diperkenalkan oleh Yi et al. di NeurIPS 2023. Arsitektur ini berbeda dari desain berbasis Transformer dengan menerapkan Multi-Layer Perceptrons (MLP) sederhana sepenuhnya di domain frekuensi. Model mengubah urutan masukan dengan Discrete Fourier Transform lalu mempelajari dependensi temporal dan kanal melalui lapisan MLP bernilai kompleks, mencapai akurasi peramalan jangka panjang yang kompetitif atau superior dengan biaya komputasi yang jauh lebih rendah.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/id/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: Transformer Berbasis Peningkatan Frekuensi yang TeruraiPembelajaran Mendalam↔ compare
- FiLM: Model Memori Legendre yang Ditingkatkan FrekuensinyaPembelajaran Mendalam↔ compare
- TSMixer: Arsitektur All-MLP untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →