FreTS: Многослойные перцептроны в частотной области для прогнозирования временных рядов
FreTS — это архитектура для прогнозирования временных рядов, представленная Йи и др. на NeurIPS 2023. Она отличается от дизайнов на основе трансформеров тем, что применяет простые многослойные перцептроны (MLP) полностью в частотной области. Модель преобразует входные последовательности с помощью дискретного преобразования Фурье, а затем изучает временные и канальные зависимости через комплексные MLP-слои, достигая конкурентоспособной или превосходящей точности долгосрочного прогнозирования при существенно более низких вычислительных затратах.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/ru/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: Улучшенный частотный трансформер с разложениемГлубокое обучение↔ compare
- FiLM: Модель памяти Лежандра с улучшенной частотной характеристикойГлубокое обучение↔ compare
- TSMixerГлубокое обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →