Metodbevispost

ETSformer

ETSformer is a deep learning architecture for time-series forecasting introduced by Woo et al. in 2022. It integrates classical exponential smoothing principles directly into the Transformer framework by replacing standard self-attention with an exponential smoothing attention mechanism. The model decomposes a time series into level, growth (trend), and seasonal components, allowing it to leverage both the long-range dependency modeling of Transformers and the interpretable structure of statistical ETS models.

Sources recorded, not reviewed

Källpost

Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.

ETSformer (Exponential Smoothing Transformer)

Taxonomisk metodpost · ml-model / deep-learning

Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2022). ETSformer: Exponential smoothing transformers for time-series forecasting. arXiv preprint. · URL

Öppna fullständig metod

Kuraterade påståenden

Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.

Inga kuraterade påståenden ännu

Denna vy hittar inte på en påståendebedömning när loggen saknar en.

Relaterade metoder

Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.

Taxonomic bucketAutoformermachine-suggested · Relational suggestion, not evidence.See alsoETS Modelmachine-suggested · Relational suggestion, not evidence.