Pyraformer: Transformer Attentivo Piramidale per la Previsione di Serie Temporali a Lungo Termine
Pyraformer è un modello basato su Transformer per la previsione di serie temporali a lungo termine, introdotto da Liu et al. all'ICLR 2022. La sua innovazione centrale è un Modulo di Attenzione Piramidale (PAM) che organizza i token in una gerarchia multi-risoluzione, consentendo al modello di catturare dipendenze temporali su scale multiple, mantenendo la complessità temporale e di memoria a O(L log L) anziché il costo quadratico dell'auto-attenzione standard.
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, 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/it/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.
- AutoformerApprendimento profondo↔ compare
- InformerApprendimento profondo↔ compare
- Reformer: The Efficient Transformer for Long SequencesApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →