Machine learningTime-series forecasting
Pyraformer: 장기 시계열 예측을 위한 피라미드형 어텐션 트랜스포머
Pyraformer는 Liu 등이 ICLR 2022에서 소개한 트랜스포머 기반의 장기 시계열 예측 모델입니다. 이 모델의 핵심 혁신은 토큰을 다중 해상도 계층 구조로 구성하는 피라미드형 어텐션 모듈(PAM)로, 모델이 여러 스케일에 걸쳐 시간적 종속성을 포착할 수 있도록 하면서도 시간 및 메모리 복잡도를 일반적인 셀프 어텐션의 이차 비용 대신 O(L log L)로 유지합니다.
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
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/ko/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.
- Autoformer: 장기 시계열 예측을 위한 분해 트랜스포머딥러닝↔ compare
- Informer딥러닝↔ compare
- Reformer: The Efficient Transformer for Long Sequences딥러닝↔ compare