FreTS: Frekvensdomene-MLPer for Tidsserieprognoser
FreTS er en arkitektur for tidsserieprognoser introdusert av Yi et al. på NeurIPS 2023. Den avviker fra Transformer-baserte design ved å anvende enkle Multi-Layer Perceptrons (MLPer) fullstendig i frekvensdomenet. Modellen transformerer inputsekvenser med den diskrete Fourier-transformasjonen og lærer deretter temporale og kanaldependenser gjennom komplekse MLP-lag, og oppnår konkurransedyktig eller overlegen langsiktig prognosenøyaktighet med vesentlig lavere beregningskostnad.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/no/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: Frekvensforsterket dekomponert transformatorDyp læring↔ compare
- FiLM: Frequency Improved Legendre Memory ModelDyp læring↔ compare
- TSMixer: All-MLP-arkitektur for tidsserieprognoserDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →