Pyraformer: Pyramidal Attention Transformer för långdistans-tidsserieprognostisering
Pyraformer är en Transformer-baserad modell för långsiktig tidsserieprognostisering, introducerad av Liu et al. vid ICLR 2022. Dess centrala innovation är en Pyramidal Attention Module (PAM) som organiserar "tokens" i en hierarki med flera upplösningar. Detta gör att modellen kan fånga temporala beroenden över flera skalor samtidigt som tids- och minneskomplexiteten hålls vid O(L log L) istället för den kvadratiska kostnaden för vanlig självuppmärksamhet.
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
- Liu, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/sv/deep-learning/pyraformer
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.
- Autoformer: Decomposition Transformer för långsiktig tidsserieprognostiseringDjupinlärning↔ compare
- InformerDjupinlärning↔ compare
- Reformer: Den effektiva transformatorn för långa sekvenserDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →