FreTS: Wielowarstwowe perceptrony w dziedzinie częstotliwości do prognozowania szeregów czasowych
FreTS to architektura do prognozowania szeregów czasowych wprowadzona przez Yi i wsp. na konferencji NeurIPS 2023. Odróżnia się od projektów opartych na Transformerach, stosując proste wielowarstwowe perceptrony (MLP) całkowicie w dziedzinie częstotliwości. Model przekształca sekwencje wejściowe za pomocą dyskretnej transformacji Fouriera, a następnie uczy się zależności czasowych i kanałowych poprzez zespolone warstwy MLP, osiągając konkurencyjną lub lepszą dokładność prognozowania długoterminowego przy znacznie niższych kosztach obliczeniowych.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/pl/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: Transformer z ulepszoną dekompozycją częstotliwościowąUczenie głębokie↔ compare
- FiLM: Usprawniony Model Pamięci z Wykorzystaniem Częstotliwości Legendre'aUczenie głębokie↔ compare
- TSMixer: Architektura All-MLP do prognozowania szeregów czasowychUczenie głębokie↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →