FreTS: Frequentie-domein MLPs voor Tijdreeksvoorspelling
FreTS is een architectuur voor tijdreeksvoorspelling geïntroduceerd door Yi et al. op NeurIPS 2023. Het wijkt af van Transformer-gebaseerde ontwerpen door eenvoudige Multi-Layer Perceptrons (MLPs) volledig in het frequentiedomein toe te passen. Het model transformeert invoersequenties met de Discrete Fourier Transformatie en leert vervolgens temporele en kanaalafhankelijkheden via complexwaardige MLP-lagen, wat concurrerende of superieure nauwkeurigheid voor langetermijnvoorspelling oplevert met aanzienlijk lagere computationele kosten.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/nl/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: Frequency Enhanced Decomposed TransformerDeep learning↔ compare
- FiLM: Frequentie-verbeterd Legendre GeheugenmodelDeep learning↔ compare
- TSMixer: Volledig MLP-architectuur voor tijdreeksvoorspellingDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →