iTransformer: Inverted Transformer za prognoziranje multivarijantnih vremenskih serija
iTransformer je arhitektura dubokog učenja za prognoziranje multivarijantnih vremenskih serija koju su uveli Liu et al. na ICLR 2024. Njena ključna ideja je da se obrne konvencionalna strategija tokenizacije Transformera: umesto da se svaki vremenski korak tretira kao token, iTransformer tretira svaku varijantu (senzorski kanal ili niz karakteristika) kao jedinstveni token čija ugrađenost (embedding) kodira ceo posmatrani prozor unazad. Mehanizam samopažnje (self-attention) se zatim primenjuje preko varijanata da bi se uhvatile među-serijske zavisnosti, dok mrežna mreža sa povratnom spregom (feed-forward network) unutar svakog tokena uči vremenske obrasce.
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
- Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer: Inverted transformers are effective for time series forecasting. ICLR. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). iTransformer (Inverted Transformer for Forecasting). ScholarGate. https://scholargate.app/sr/deep-learning/itransformer
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.
- CrossformerDuboko učenje↔ compare
- PatchTSTDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →