FreTS: MLPs no Domínio da Frequência para Previsão de Séries Temporais
FreTS é uma arquitetura de previsão de séries temporais introduzida por Yi et al. na NeurIPS 2023. Ela se distancia de designs baseados em Transformer ao aplicar Perceptrons Multicamadas (MLPs) simples inteiramente no domínio da frequência. O modelo transforma sequências de entrada com a Transformada Discreta de Fourier e, em seguida, aprende dependências temporais e de canal através de camadas MLP de valores complexos, alcançando precisão de previsão de longo prazo competitiva ou superior com custo computacional substancialmente menor.
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
- Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). Frequency-domain MLPs are more effective learners in time series forecasting. NeurIPS. link ↗
Como citar esta página
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/pt/deep-learning/frets
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.
- FEDformer: Transformer com Decomposição e Aumento de FrequênciaAprendizado profundo↔ compare
- FiLM: Modelo de Memória de Legendre com Frequência AprimoradaAprendizado profundo↔ compare
- TSMixer: Arquitetura Totalmente MLP para Previsão de Séries TemporaisAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →