FreTS: Frekvensdomän-MLP:er för tidsserieprognoser
FreTS är en arkitektur för tidsserieprognoser som introducerades av Yi et al. på NeurIPS 2023. Den skiljer sig från Transformer-baserade designer genom att tillämpa enkla Multi-Layer Perceptrons (MLP:er) helt i frekvensdomänen. Modellen transformerar indatasekvenser med den diskreta Fouriertransformen och lär sig sedan temporala och kanaldependenser genom komplexvärda MLP-lager, vilket uppnår konkurrenskraftig eller överlägsen långsiktig prognosnoggrannhet med betydligt lägre beräkningskostnad.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/sv/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 med frekvensförstärkt dekompositionDjupinlärning↔ compare
- FiLM: Frequency Improved Legendre Memory ModelDjupinlärning↔ compare
- TSMixer: All-MLP-arkitektur för tidsserieprognoserDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →