Pyraformer: Piramidālā uzmanības transformators ilgtermiņa laika rindu prognozēšanai
Pyraformer ir uz transformatoriem balstīts modelis ilgtermiņa laika rindu prognozēšanai, ko ieviesa Liu et al. ICLR 2022 konferencē. Tā galvenā inovācija ir Piramidālais uzmanības modulis (PAM), kas organizē žetonus daudzizšķirtspējas hierarhijā, ļaujot modelim uztvert laika atkarības vairākās skalās, vienlaikus saglabājot laika un atmiņas sarežģītību O(L log L) līmenī, nevis kvadrātisko izmaksu, kas raksturīga standarta pašuzmanībai.
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, 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/lv/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: Transformer ar dekompozīciju ilgtermiņa laika virkņu prognozēšanaiDziļā mācīšanās↔ compare
- InformerDziļā mācīšanās↔ compare
- Reformer: efektīvais Transformer garām sekvencēmDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →