FreTS: Frekvenču domēna MLP laika sēriju prognozēšanai
FreTS ir laika sēriju prognozēšanas arhitektūra, ko 2023. gada NeurIPS konferencē īstenoja Yi et al. Tā atškiras no Transformer-bāzētām konstrukcijām, pilnīgi pielietojot vienkāršus daudzsātu perceptronus (MLP) frekvenču domēnā. Modelis iekšgājas sekvences transformē ar diskrēto Furjē transformu un tad apgūst temporālās un kanālu atkarības caur kompleksvērtīgiem MLP sātniem, sasniedzot konkurētspējīgu vai pārkārtotu ilgtermiņa prognozēšanas precizitāti ar būtiski zemākām skāj̧u izmaksām.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/lv/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: Frekvencē balstīts sadalīts TransformerDziļā mācīšanās↔ compare
- FiLM: Frekvences uzlabots Legendre atmiņas modelisDziļā mācīšanās↔ compare
- TSMixer: Visu MLP arhitektūra laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →