Transformer non-stazionario
Il Transformer non-stazionario è un'architettura di previsione di serie temporali basata su Transformer introdotta da Yong Liu, Haixu Wu, Jianmin Wang e Mingsheng Long a NeurIPS 2022. Affronta una tensione fondamentale nell'applicare i Transformer alle serie temporali del mondo reale: la sovra-stazionarizzazione durante la pre-elaborazione elimina i segnali non stazionari che contengono informazioni predittive, mentre gli input non stazionari grezzi causano il collasso dell'attenzione. Il modello risolve questo problema attraverso la stazionarizzazione della serie abbinata a un nuovo meccanismo di attenzione de-stazionarizzante che ripristina la distribuzione temporale originale nelle previsioni.
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
- Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/it/deep-learning/nonstationary-transformer
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.
- Test di radice unitaria aumentato di Dickey-Fuller (ADF)Econometria↔ compare
- AutoformerApprendimento profondo↔ compare
- InformerApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →