FreTS: MLP dalam Domain Frekuensi untuk Peramalan Deret Masa
FreTS ialah seni bina peramalan deret masa yang diperkenalkan oleh Yi et al. di NeurIPS 2023. Ia berbeza daripada reka bentuk berasaskan Transformer dengan mengaplikasikan Multi-Layer Perceptrons (MLP) ringkas sepenuhnya dalam domain frekuensi. Model ini mengubah jujukan input dengan Discrete Fourier Transform dan kemudian mempelajari kebergantungan temporal dan saluran melalui lapisan MLP bernilai kompleks, mencapai ketepatan peramalan jangka panjang yang kompetitif atau unggul dengan kos pengiraan yang jauh lebih rendah.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/ms/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: Transformer Terperluas FrekuensiPembelajaran Mendalam↔ compare
- FiLM: Model Memori Legendre yang Ditingkatkan FrekuensinyaPembelajaran Mendalam↔ compare
- TSMixer: Seni Bina Semua-MLP untuk Ramalan Deret MasaPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →