เปรียบเทียบวิธี

	FreTS: โครงข่ายประสาทเทียมหลายชั้นในโดเมนความถี่สำหรับการพยากรณ์อนุกรมเวลา	FEDformer: หม้อแปลงไฟฟ้าแบบแยกส่วนที่ปรับปรุงความถี่
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2022
ผู้ริเริ่ม	Kun Yi et al.	Tian Zhou et al.
ประเภท	Frequency-domain MLP forecasting model	Frequency-domain decomposed Transformer for time-series forecasting
แหล่งต้นตำรับ	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.	Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer: Frequency enhanced decomposed transformer for long-term series forecasting. ICML.
ชื่อเรียกอื่น	Frequency-domain MLPs, FrequencyMLP, FreTS Forecaster, Frekans Alanı MLP	Frequency Enhanced Decomposed Transformer, FED-Transformer, Frequency Domain Transformer, Frekans Tabanlı Ayrıştırılmış Dönüştürücü
ที่เกี่ยวข้อง	3	3
สรุป	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.	FEDformer is a Transformer-based architecture for long-term multivariate time-series forecasting, introduced by Zhou et al. at ICML 2022. Its core innovation is the combination of seasonal-trend decomposition with frequency-domain attention: instead of computing full token-to-token attention in the time domain, FEDformer projects queries, keys, and values into the frequency domain via Fourier or wavelet transforms and operates on a randomly selected subset of frequency components, achieving linear complexity while preserving global temporal structure.