Machine learningTime-series forecasting
Crossformer: 다변량 시계열 예측을 위한 교차 차원 종속성 트랜스포머
Crossformer는 Yunhao Zhang와 Junchi Yan이 ICLR 2023에서 소개한 다변량 시계열 예측을 위한 트랜스포머 기반 아키텍처입니다. 각 변수를 독립적으로 취급하는 이전 트랜스포머 변형과 달리, Crossformer는 시간적 패턴과 함께 교차 차원 종속성을 명시적으로 모델링합니다. 이는 계층적 인코더에 구성된 세그먼트 수준 임베딩에 적용되는 두 단계의 어텐션 설계(교차 시간 및 교차 차원)를 통해 달성되며, 모델이 개별 변수 내 동역학과 변수 간 상관관계를 동시에 포착할 수 있도록 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Zhang, Y., & Yan, J. (2023). Crossformer: Transformer utilizing cross-dimension dependency for multivariate time series forecasting. ICLR. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Crossformer (Cross-Dimension Dependency Transformer). ScholarGate. https://scholargate.app/ko/deep-learning/crossformer
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.
Compare side by side →