Methodenbewijsdossier

TiDE

TiDE (Time-series Dense Encoder) is an MLP-based encoder-decoder architecture for long-term multivariate time-series forecasting, introduced by Abhimanyu Das and colleagues at Google Research in 2023. The model encodes past time-series observations together with static and dynamic covariates through stacked dense (MLP) layers, then decodes a latent representation into future forecasts. TiDE demonstrates that simple linear and dense architectures can match or outperform Transformer-based models on standard long-term forecasting benchmarks while being significantly faster.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

TiDE (Time-series Dense Encoder)

Taxonomisch methodendossier · ml-model / deep-learning

Das, A., Kong, W., Leach, A., Mathur, S., Sen, R., & Yu, R. (2023). Long-term forecasting with TiDE: Time-series dense encoder. Transactions on Machine Learning Research. · URL

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Same method familyMultilayer Perceptronmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTSMixermachine-suggested · Relational suggestion, not evidence.