Non-stationary Transformer
Non-stationary Transformer to architektura do prognozowania szeregów czasowych oparta na modelu Transformer, wprowadzona przez Yong Liu, Haixu Wu, Jianmin Wang i Mingsheng Long na konferencji NeurIPS 2022. Rozwiązuje ona fundamentalne napięcie w stosowaniu Transformerów do rzeczywistych szeregów czasowych: nadmierna stacjonaryzacja podczas preprocessingu usuwa niestacjonarne sygnały niosące informacje prognostyczne, podczas gdy surowe niestacjonarne dane wejściowe powodują załamanie mechanizmu uwagi. Model rozwiązuje ten problem poprzez stacjonaryzację szeregów w połączeniu z nowatorskim mechanizmem uwagi de-stacjonaryzującej, który przywraca oryginalny rozkład czasowy w prognozach.
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., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Non-stationary Transformers for Forecasting. ScholarGate. https://scholargate.app/pl/deep-learning/nonstationary-transformer
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.
- Test pierwiastka jednostkowego rozszerzony testem Dickeya-Fullera (ADF)Ekonometria↔ compare
- AutoformerUczenie głębokie↔ compare
- InformerUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →