iTransformer: Invertētais Transformer daudzvariantu laika virkņu prognozēšanai
iTransformer ir dziļās apmācības arhitektūra daudzvariantu laika virkņu prognozēšanai, ko ieviesa Liu et al. ICLR 2024. Tās pamatideja ir apgriezt tradicionālo Transformer tokenizācijas stratēģiju: tā vietā, lai katru laika soli uzskatītu par vienu tokenu, iTransformer katru varianti (sensora kanālu vai iezīmju virkni) uzskata par vienu tokenu, kura iegulšana kodē visu novēroto pagātnes logu. Pēc tam pašuzmanība tiek lietota starp variantiem, lai uztvertu atkarības starp virknēm, savukārt katra tokena iekšienē esošais uz priekšu vērstais tīkls apgūst temporālās likumsakarības.
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
- Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer: Inverted transformers are effective for time series forecasting. ICLR. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). iTransformer (Inverted Transformer for Forecasting). ScholarGate. https://scholargate.app/lv/deep-learning/itransformer
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.
- CrossformerDziļā mācīšanās↔ compare
- PatchTSTDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →