Záznam dôkazov metódy

Non-stationary Transformer

Non-stationary Transformer is a Transformer-based time-series forecasting architecture introduced by Yong Liu, Haixu Wu, Jianmin Wang, and Mingsheng Long at NeurIPS 2022. It addresses a fundamental tension in applying Transformers to real-world time series: over-stationarization during preprocessing strips out non-stationary signals that carry predictive information, while raw non-stationary inputs cause attention to collapse. The model resolves this through series stationarization paired with a novel de-stationary attention mechanism that restores the original temporal distribution in predictions.

Sources recorded, not reviewed

Zdrojový záznam

Citácie skopírované doslovne zo zdrojového záznamu metódy. Nevyplýva z nich žiadne overenie na úrovni tvrdenia.

Non-stationary Transformers for Forecasting

Taxonomický záznam metódy · ml-model / deep-learning

Liu, Y., Wu, H., Wang, J., & Long, M. (2022). Non-stationary transformers: Exploring the stationarity in time series forecasting. NeurIPS. · URL

Otvoriť celú metódu

Spracované tvrdenia

Tvrdenia uložené v registri dôkazov, každé s vlastným hodnotením.

Zatiaľ žiadne spracované tvrdenia

Tento pohľad nevymýšľa hodnotenie tvrdenia, ak register žiadne nemá.

Súvisiace metódy

Vygenerované z grafu metód a zobrazené ako vzťahy navrhnuté strojom – nevyplýva z nich žiadne tvrdenie o dôkaze.