FreTS: Багатошарові перцептрони в частотній області для прогнозування часових рядів
FreTS — це архітектура прогнозування часових рядів, представлена Ї та співавт. на NeurIPS 2023. Вона відходить від дизайнів на основі Transformer, застосовуючи прості багатошарові перцептрони (MLP) повністю в частотній області. Модель трансформує вхідні послідовності за допомогою дискретного перетворення Фур'є, а потім вивчає часові та канальні залежності через комплекснозначні MLP-шари, досягаючи конкурентоспроможної або вищої точності довгострокового прогнозування зі значно нижчими обчислювальними витратами.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/uk/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: Трансформер з покращеною частотою та розкладаннямГлибоке навчання↔ compare
- FiLM: Покращена модель пам'яті Лежандра на основі частотиГлибоке навчання↔ compare
- TSMixer: суцільно MLP-архітектура для прогнозування часових рядівГлибоке навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →