FEDformer: Transformer con decomposizione stagionale-trend potenziata dalla frequenza
FEDformer è un'architettura basata su Transformer per la previsione di serie temporali multivariate a lungo termine, introdotta da Zhou et al. all'ICML 2022. La sua innovazione principale è la combinazione della decomposizione stagionale-trend con l'attenzione nel dominio della frequenza: invece di calcolare l'attenzione completa token-per-token nel dominio del tempo, FEDformer proietta query, chiavi e valori nel dominio della frequenza tramite trasformate di Fourier o wavelet e opera su un sottoinsieme casualmente selezionato di componenti di frequenza, ottenendo complessità lineare pur preservando la struttura temporale globale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/it/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.
- AutoformerApprendimento profondo↔ compare
- FiLM: Modello di Memoria a Frequenza Migliorata di LegendreApprendimento profondo↔ compare
- InformerApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →