Pyraformer: Pyramidal Attention Transformer for Long-Range Time-Series Forecasting
Pyraformer er en Transformer-basert modell for langtrekkende tidsserieprognoser, introdusert av Liu et al. ved ICLR 2022. Dens sentrale innovasjon er en Pyramidal Attention Module (PAM) som organiserer "tokens" i et hierarki med flere oppløsninger. Dette gjør at modellen kan fange opp tidsavhengigheter på tvers av flere skalaer, samtidig som tids- og minnekompleksiteten holdes på O(L log L) i stedet for den kvadratiske kostnaden ved "vanilla self-attention".
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
- Liu, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/no/deep-learning/pyraformer
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: Transformer for Decomposing Long-Term TidsserierprognoserDyp læring↔ compare
- InformerDyp læring↔ compare
- Reformer: Den effektive transformeren for lange sekvenserDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →