FreTS: Мрежни слојеви са више слојева (MLP) у фреквенцијском домену за прогнозирање временских серија
FreTS је архитектура за прогнозирање временских серија коју су увели Yi et al. на NeurIPS 2023. Она одступа од дизајна заснованих на Трансформеру применом једноставних мрежних слојева са више слојева (MLP) у потпуности у фреквенцијском домену. Модел трансформише улазне секвенце помоћу Дискретне Фуријеове трансформације, а затим учи временске и каналске зависности кроз слојеве MLP-а са комплексним вредностима, постижући конкурентну или супериорну тачност дугорочног прогнозирања уз знатно нижу рачунарску цену.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/sr/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 sa poboљšanom frekvencijom i dekompozicijomDuboko učenje↔ compare
- FiLM: Побољшани модел меморије са Лежандровим полиномима заснован на учестаностиDuboko učenje↔ compare
- TSMixerDuboko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →