Machine learningTime-series forecasting
FreTS: 時系列予測のための周波数領域MLP
FreTSは、YiらによってNeurIPS 2023で発表された時系列予測アーキテクチャである。これは、Transformerベースの設計から離れ、単純な多層パーセプトロン（MLP）を完全に周波数領域で適用するものである。このモデルは、離散フーリエ変換を用いて入力系列を変換し、複素数値MLP層を通じて時間的およびチャネル間の依存関係を学習することで、計算コストを大幅に削減しながら、競争力のある、あるいはそれを上回る長期予測精度を達成する。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/ja/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: 周波数強調型分解トランスフォーマー深層学習↔ compare
- FiLM: Frequency Improved Legendre Memory Model深層学習↔ compare
- TSMixer: 時系列予測のための全MLPアーキテクチャ深層学習↔ compare