iTransformer: Odwrócony Transformer do prognozowania wielowymiarowych szeregów czasowych
iTransformer to architektura głębokiego uczenia do prognozowania wielowymiarowych szeregów czasowych, wprowadzona przez Liu i wsp. na konferencji ICLR 2024. Jej kluczową ideą jest odwrócenie konwencjonalnej strategii tokenizacji Transformera: zamiast traktować każdy krok czasowy jako token, iTransformer traktuje każdą zmienną (kanał sensora lub cechę) jako pojedynczy token, którego osadzenie koduje pełne obserwowane okno wsteczne. Mechanizm uwagi (self-attention) jest następnie stosowany między zmiennymi w celu uchwycenia zależności między szeregami, podczas gdy sieć typu feed-forward wewnątrz każdego tokenu uczy się wzorców czasowych.
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
- Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer: Inverted transformers are effective for time series forecasting. ICLR. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). iTransformer (Inverted Transformer for Forecasting). ScholarGate. https://scholargate.app/pl/deep-learning/itransformer
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.
- CrossformerUczenie głębokie↔ compare
- PatchTSTUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →