Autoformer: Penghuraian Transformer untuk Ramalan Deret Masa Jangka Panjang
Autoformer ialah seni bina pembelajaran mendalam untuk ramalan deret masa jangka panjang, diperkenalkan oleh Wu et al. dari Universiti Tsinghua di NeurIPS 2021. Ia menggantikan mekanisme perhatian kendiri (self-attention) standard dengan mekanisme Auto-Korelasi yang mengeksploitasi kebergantungan berkala dalam domain frekuensi, dan menyematkan blok penghuraian deret progresif di seluruh pengekod dan penyahkod untuk memodelkan komponen trend dan bermusim secara berasingan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/ms/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.
- Model ARIMA (Autoregresif Bersepadu Purata Bergerak)Ekonometrik↔ compare
- FEDformer: Transformer Terperluas FrekuensiPembelajaran Mendalam↔ compare
- InformerPembelajaran Mendalam↔ compare
- TimesNet: Pemodelan Variasi Temporal 2D untuk Siri MasaPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →