เปรียบเทียบวิธี

	FreTS: โครงข่ายประสาทเทียมหลายชั้นในโดเมนความถี่สำหรับการพยากรณ์อนุกรมเวลา	TSMixer: สถาปัตยกรรมแบบ All-MLP สำหรับการพยากรณ์อนุกรมเวลา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2023	2023
ผู้ริเริ่ม	Kun Yi et al.	Si-An Chen et al. (Google)
ประเภท	Frequency-domain MLP forecasting model	All-MLP multivariate time-series forecasting model
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.	Chen, S.-A., Li, C.-L., Yoder, N., Arik, S. O., & Pfister, T. (2023). TSMixer: An all-MLP architecture for time series forecasting. Transactions on Machine Learning Research.
ชื่อเรียกอื่น	Frequency-domain MLPs, FrequencyMLP, FreTS Forecaster, Frekans Alanı MLP	All-MLP Time Series Mixer, Time Series Mixer, TSMixer Forecasting Model, Zaman Serisi Karıştırıcı
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.	TSMixer is a multivariate time-series forecasting model introduced by Si-An Chen and colleagues at Google in 2023. It challenges the prevailing dominance of Transformer-based architectures by demonstrating that a simple stack of interleaved MLP layers — alternating between mixing along the time axis and mixing across feature channels — achieves strong forecasting accuracy while remaining computationally efficient and easy to interpret architecturally.