Autoformer: Transformer ar dekompozīciju ilgtermiņa laika virkņu prognozēšanai
Autoformer ir dziļās apmācības arhitektūra ilgtermiņa laika virkņu prognozēšanai, ko 2021. gadā NeurIPS konferencē ieviesa Wu et al. no Cjinhua universitātes. Tā aizstāj standarta pašuzmanības mehānismu ar automātiskās korelācijas mehānismu, kas izmanto periodiskas atkarības frekvenču domēnā, un iekļauj progresīvu virkņu sadalīšanas bloku visā kodētājā un dekoderī, lai atsevišķi modelētu tendenču un sezonālās komponentes.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/lv/deep-learning/autoformer
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.
- ARIMA (autoregresīvais integrētais slīdošā vidējā) modelisEkonometrija↔ compare
- FEDformer: Frekvencē balstīts sadalīts TransformerDziļā mācīšanās↔ compare
- InformerDziļā mācīšanās↔ compare
- TimesNet: La laika datu 2D-variāciju modelēšanaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →