FEDformer: Transformer com Decomposição e Aumento de Frequência
FEDformer é uma arquitetura baseada em Transformer para previsão de séries temporais multivariadas de longo prazo, introduzida por Zhou et al. na ICML 2022. Sua inovação central é a combinação de decomposição sazonal-tendência com atenção no domínio da frequência: em vez de calcular atenção completa de token para token no domínio do tempo, FEDformer projeta consultas, chaves e valores no domínio da frequência via transformadas de Fourier ou wavelet e opera em um subconjunto aleatoriamente selecionado de componentes de frequência, alcançando complexidade linear enquanto preserva a estrutura temporal global.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML. link ↗
Como citar esta página
ScholarGate. (2026, June 2). FEDformer (Frequency Enhanced Decomposed Transformer). ScholarGate. https://scholargate.app/pt/deep-learning/fedformer
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.
- AutoformerAprendizado profundo↔ compare
- FiLM: Modelo de Memória de Legendre com Frequência AprimoradaAprendizado profundo↔ compare
- InformerAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →