FreTS: โครงข่ายประสาทเทียมหลายชั้นในโดเมนความถี่สำหรับการพยากรณ์อนุกรมเวลา
FreTS เป็นสถาปัตยกรรมการพยากรณ์อนุกรมเวลาที่นำเสนอโดย Yi et al. ในงาน NeurIPS 2023 โดยแตกต่างจากสถาปัตยกรรมที่ใช้ Transformer ตรงที่ FreTS ประยุกต์ใช้โครงข่ายประสาทเทียมหลายชั้น (Multi-Layer Perceptrons หรือ MLPs) อย่างง่ายในโดเมนความถี่ทั้งหมด โมเดลนี้แปลงลำดับข้อมูลนำเข้าด้วยการแปลงฟูเรียร์แบบไม่ต่อเนื่อง (Discrete Fourier Transform) จากนั้นเรียนรู้ความสัมพันธ์เชิงเวลาและช่องสัญญาณผ่านชั้น MLP ที่มีค่าเชิงซ้อน ซึ่งทำให้ได้ความแม่นยำในการพยากรณ์ระยะยาวที่แข่งขันได้หรือเหนือกว่า โดยมีต้นทุนการคำนวณที่ต่ำกว่ามาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/th/deep-learning/frets
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.
- FEDformer: หม้อแปลงไฟฟ้าแบบแยกส่วนที่ปรับปรุงความถี่การเรียนรู้เชิงลึก↔ compare
- FiLM: แบบจำลองหน่วยความจำแบบเลเจนดร์ที่ปรับปรุงความถี่การเรียนรู้เชิงลึก↔ compare
- TSMixer: สถาปัตยกรรมแบบ All-MLP สำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare