Pyraformer: Pyramidal Attention Transformer untuk Peramalan Deret Waktu Jarak Jauh
Pyraformer adalah model berbasis Transformer untuk peramalan deret waktu jarak jauh yang diperkenalkan oleh Liu et al. di ICLR 2022. Inovasi utamanya adalah Modul Perhatian Piramidal (Pyramidal Attention Module - PAM) yang mengorganisasi token ke dalam hierarki multi-resolusi, memungkinkan model menangkap dependensi temporal di berbagai skala sambil menjaga kompleksitas waktu dan memori pada O(L log L) daripada biaya kuadratik dari perhatian diri (self-attention) biasa.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Liu, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/id/deep-learning/pyraformer
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
- InformerPembelajaran Mendalam↔ compare
- Reformer: The Efficient Transformer for Long SequencesPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →