Autoformer: Transformuesi i Dekompozimit për Parashikimin Afatgjatë të Serive Kohore
Autoformer është një arkitekturë e të mësuarit të thellë për parashikimin afatgjatë të serive kohore, e prezantuar nga Wu et al. nga Universiteti Tsinghua në NeurIPS 2021. Ai zëvendëson mekanizmin standard të vetë-vëmendjes me një mekanizëm Auto-Korelacion, i cili shfrytëzon varësitë periodike në domenin e frekuencës, dhe përfshin një bllok dekompozimi progresiv të serive përgjatë enkoderit dhe dekoderit për të modeluar veçmas komponentët e trendit dhe sezonalitetit.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. NeurIPS, 34. link ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 2). Autoformer (Auto-Correlation Decomposition Transformer). ScholarGate. https://scholargate.app/sq/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)Ekonometri↔ compare
- FEDformer: Transformer me Frekuencë të Përforcuar dhe Të DeKompozuarMësimi i thellë↔ compare
- InformerMësimi i thellë↔ compare
- TimesNet: Modelimi 2D-Temporal i Variacionit për Serinë KohoreMësimi i thellë↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →