Informer
Informer er en Transformer-basert modell introdusert av Zhou et al. i 2021 for prognostisering av tidsserier med lange sekvenser, som bruker en ProbSparse self-attention-mekanisme som reduserer den beregningsmessige kompleksiteten til standard Transformer til O(L log L). Den er bygget for problemer som krever prediksjoner over tusenvis av fremtidige steg.
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.
+3 more
Kilder
- Zhou, H. et al. (2021). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI. DOI: 10.1609/aaai.v35i12.17325 ↗
- Wu, H., Xu, J., Wang, J. & Long, M. (2021). Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. NeurIPS 34. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. ScholarGate. https://scholargate.app/no/deep-learning/informer
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.
- ARIMA (Autoregressive Integrated Moving Average) ModellØkonometri↔ compare
- DeepARDyp læring↔ compare
- N-HiTSDyp læring↔ compare
- PatchTSTDyp læring↔ compare
- Random ForestMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →