Crossformer: Трансформер для моделювання залежностей між вимірами у багатовимірному часовому прогнозуванні
Crossformer — це архітектура на основі Трансформера для багатовимірного часового прогнозування, представлена Юньхао Чжаном та Юньчі Янем на ICLR 2023. На відміну від попередніх варіантів Трансформера, які розглядають кожен вимір незалежно, Crossformer явно моделює залежності між вимірами поряд із часовими патернами. Це досягається за допомогою двоступеневої конструкції уваги — міжчасової та міжвимірної — що застосовується до сегментних вкладень, організованих у ієрархічний кодер, що дозволяє моделі одночасно вловлювати як внутрішньовимірну динаміку, так і міжвимірні кореляції.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Zhang, Y., & Yan, J. (2023). Crossformer: Transformer utilizing cross-dimension dependency for multivariate time series forecasting. ICLR. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Crossformer (Cross-Dimension Dependency Transformer). ScholarGate. https://scholargate.app/uk/deep-learning/crossformer
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.
- InformerГлибоке навчання↔ compare
- iTransformerГлибоке навчання↔ compare
- PatchTSTГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →