ScholarGate
Asystent
Machine learningTime-series forecasting

Pyraformer: Piramidalny Transformer z Uwagą do Prognozowania Długoterminowych Szeregów Czasowych

Pyraformer to model oparty na architekturze Transformer, przeznaczony do prognozowania długoterminowych szeregów czasowych, wprowadzony przez Liu i wsp. na konferencji ICLR 2022. Jego kluczową innowacją jest moduł uwagi piramidalnej (Pyramidal Attention Module, PAM), który organizuje tokeny w hierarchię wielorozdzielczościową, umożliwiając modelowi wychwytywanie zależności czasowych w wielu skalach przy zachowaniu złożoności czasowej i pamięciowej na poziomie O(L log L), zamiast kwadratowego kosztu standardowej uwagi własnej.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Źródła

  1. Liu, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link

Jak cytować tę stronę

ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/pl/deep-learning/pyraformer

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.

Compare side by side

Cytowana przez

ScholarGatePyraformer (Pyraformer (Pyramidal Attention for Long-Range Forecasting)). Pobrano 2026-06-15 z https://scholargate.app/pl/deep-learning/pyraformer · Zbiór danych: https://doi.org/10.5281/zenodo.20539026