FEDformer: Transformer z ulepszoną dekompozycją częstotliwościową
FEDformer to architektura oparta na Transformerze do długoterminowego prognozowania wielowymiarowych szeregów czasowych, wprowadzona przez Zhou i wsp. na konferencji ICML 2022. Jej kluczową innowacją jest połączenie dekompozycji sezonowo-trendowej z uwagą w dziedzinie częstotliwości: zamiast obliczać pełną uwagę token-do-tokena w dziedzinie czasu, FEDformer projektuje zapytania, klucze i wartości do dziedziny częstotliwości za pomocą transformacji Fouriera lub falkowej i działa na losowo wybranym podzbiorze komponentów częstotliwościowych, osiągając liniową złożoność przy jednoczesnym zachowaniu globalnej struktury czasowej.
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
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/pl/deep-learning/fedformer
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.
- AutoformerUczenie głębokie↔ compare
- FiLM: Usprawniony Model Pamięci z Wykorzystaniem Częstotliwości Legendre'aUczenie głębokie↔ compare
- InformerUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →