Autoformer: dekompozičný Transformer pre dlhodobé časové rady
Autoformer je architektúra hlbokého učenia pre dlhodobé predpovedanie časových radov, predstavená Wu et al. z Univerzity Tsinghua na konferencii NeurIPS 2021. Namiesto štandardného mechanizmu samopozornosti (self-attention) používa mechanizmus autokorelácie (Auto-Correlation), ktorý využíva periodické závislosti vo frekvenčnej doméne, a vkladá progresívny dekompozičný blok série do enkodéra aj dekodéra na samostatné modelovanie trendových a sezónnych komponentov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/sk/deep-learning/autoformer
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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometria↔ compare
- FEDformer: Frekvenčne vylepšený dekomponovaný TransformerHlboké učenie↔ compare
- InformerHlboké učenie↔ compare
- TimesNet: Modelovanie časových radov pomocou 2D-variáciíHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →