FreTS: MLPs în domeniul frecvenței pentru prognoza seriilor de timp
FreTS este o arhitectură de prognoză a seriilor de timp introdusă de Yi et al. la NeurIPS 2023. Aceasta se distanțează de designurile bazate pe Transformer prin aplicarea unor perceptroni multi-strat (MLP) simpli, în întregime în domeniul frecvenței. Modelul transformă secvențele de intrare cu Transformata Fourier Discretă și apoi învață dependențele temporale și pe canale prin straturi MLP cu valori complexe, obținând o acuratețe de prognoză pe termen lung competitivă sau superioară, cu un cost computațional substanțial mai mic.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/ro/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 cu frecvență sporită și descompunereÎnvățare profundă↔ compare
- FiLM: Modelul de Memorie Îmbunătățit prin Frecvență LegendreÎnvățare profundă↔ compare
- TSMixer: Arhitectură integral MLP pentru prognoza seriilor de timpÎnvățare profundă↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →