Crossformer: Transformator z zależnościami międzywymiarowymi do prognozowania wielowymiarowych szeregów czasowych
Crossformer to architektura oparta na Transformatorze do prognozowania wielowymiarowych szeregów czasowych, wprowadzona przez Yunhao Zhanga i Junchi Yana na konferencji ICLR 2023. W przeciwieństwie do wcześniejszych wariantów Transformera, które traktują każdą zmienną niezależnie, Crossformer jawnie modeluje zależności międzywymiarowe obok wzorców czasowych. Osiąga to poprzez dwuetapowy mechanizm uwagi — międzyczasowy i międzywymiarowy — stosowany do osadzeń na poziomie segmentów, zorganizowanych w hierarchicznym enkoderze, co pozwala modelowi jednocześnie wychwytywać dynamikę wewnątrz zmiennych i korelacje między zmiennymi.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Zhang, Y., & Yan, J. (2023). Crossformer: Transformer utilizing cross-dimension dependency for multivariate time series forecasting. ICLR. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Crossformer (Cross-Dimension Dependency Transformer). ScholarGate. https://scholargate.app/pl/deep-learning/crossformer
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.
- InformerUczenie głębokie↔ compare
- iTransformerUczenie głębokie↔ compare
- PatchTSTUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →