Pyraformer: Transformer Chú ý Kim Tự Tháp cho Dự báo Chuỗi Thời gian Tầm xa
Pyraformer là một mô hình dựa trên Transformer cho dự báo chuỗi thời gian tầm xa được giới thiệu bởi Liu và cộng sự tại ICLR 2022. Đổi mới trung tâm của nó là Mô-đun Chú ý Kim Tự Tháp (PAM) tổ chức các token thành một hệ thống phân cấp đa độ phân giải, cho phép mô hình nắm bắt các phụ thuộc thời gian trên nhiều thang đo trong khi giữ độ phức tạp về thời gian và bộ nhớ ở mức O(L log L) thay vì chi phí bậc hai của cơ chế tự chú ý thông thường.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- Liu, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer: Low-complexity pyramidal attention for long-range time series modeling and forecasting. ICLR. link ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). Pyraformer (Pyramidal Attention for Long-Range Forecasting). ScholarGate. https://scholargate.app/vi/deep-learning/pyraformer
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.
- Autoformer: Biến đổi phân tách cho dự báo chuỗi thời gian dài hạnHọc sâu↔ compare
- InformerHọc sâu↔ compare
- Reformer: Bộ biến đổi hiệu quả cho chuỗi dàiHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →