Metodbevispost

FreTS

FreTS is a time series forecasting architecture introduced by Yi et al. at NeurIPS 2023. It departs from Transformer-based designs by applying simple Multi-Layer Perceptrons (MLPs) entirely in the frequency domain. The model transforms input sequences with the Discrete Fourier Transform and then learns temporal and channel dependencies through complex-valued MLP layers, achieving competitive or superior long-term forecasting accuracy with substantially lower computational cost.

Sources recorded, not reviewed

Källpost

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

FreTS (Frequency-domain MLPs for Forecasting)

Taxonomisk metodpost · ml-model / deep-learning

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. · 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 bucketFEDformermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketFiLMmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTSMixermachine-suggested · Relational suggestion, not evidence.