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.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- AutoformerUczenie głębokie↔ porównaj
- InformerUczenie głębokie↔ porównaj
- Reformer: Efektywny Transformer dla Długich SekwencjiUczenie głębokie↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →