ScholarGate
Assistent
Machine learningTime-series forecasting

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.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

The neighbourhood of related methods — select a node to explore.

Källor

  1. 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.

Compare side by side

Refereras av

ScholarGatePyraformer (Pyraformer (Pyramidal Attention for Long-Range Forecasting)). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/pyraformer · Datamängd: https://doi.org/10.5281/zenodo.20539026