FEDformer: Frequency Enhanced Decomposed Transformer
FEDformer is een op Transformer gebaseerde architectuur voor langetermijn-multivariate tijdreeksvoorspelling, geïntroduceerd door Zhou et al. op ICML 2022. De kerninnovatie is de combinatie van seizoensgebonden-trenddecompositie met frequentiedomein-aandacht: in plaats van volledige token-naar-token-aandacht in het tijdsdomein te berekenen, projecteert FEDformer queries, keys en values naar het frequentiedomein via Fourier- of wavelettransformaties en opereert op een willekeurig geselecteerde subset van frequentiecomponenten, wat lineaire complexiteit bereikt met behoud van de globale temporele structuur.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/nl/deep-learning/fedformer
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: Decomposition Transformer voor Lange-termijn TijdreeksvoorspellingDeep learning↔ compare
- FiLM: Frequentie-verbeterd Legendre GeheugenmodelDeep learning↔ compare
- InformerDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →