Metodes pierādījumu reģistrs

ETSformer

ETSformer is a deep learning architecture for time-series forecasting introduced by Woo et al. in 2022. It integrates classical exponential smoothing principles directly into the Transformer framework by replacing standard self-attention with an exponential smoothing attention mechanism. The model decomposes a time series into level, growth (trend), and seasonal components, allowing it to leverage both the long-range dependency modeling of Transformers and the interpretable structure of statistical ETS models.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

ETSformer (Exponential Smoothing Transformer)

Taksonomiskās metodes reģistrs · ml-model / deep-learning

Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. · URL

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Taxonomic bucketAutoformermachine-suggested · Relational suggestion, not evidence.See alsoETS Modelmachine-suggested · Relational suggestion, not evidence.