Компьютерные науки > Машинное обучение [представлено 17 сентября 2026 года] Название: SETter: Sparse-Encoder Transformer для долгосрочного многовариантного прогнозирования времени, просмотр PDF HTML (экспериментальный) резюме: долгосрочные мультимариативные временные ряды играют важную роль во многих областях применения, таких как энергосистемы, торговля и т.д. Однако их точное прогнозирование довольно сложно для традиционных методов прогнозирования, поскольку они часто характеризуются высокой мерностью и сложными взаимоотношениями. Недавние работы показывают, что основанные на трансформаторах подходы являются достаточно эффективными для долгосрочного прогнозирования благодаря их механизму внимания. Однако в присутствии сложных высокомерных вводимых ресурсов они свидетельствуют о чрезмерном изнурении, ограниченности возможностей и дымности. С этой целью в настоящем документе предлагается модель SETTer, основанная на трансформаторе и учитывающая эти проблемы путем внедрения новых методов для разукрупнения самозащиты и маскировки. Предлагаемые методы позволяют SETTer эффективно улавливать доминирующие краткосрочные и долгосрочные модели во временных и судоходных измерениях. Кроме того, мы обогащаем слои модели простыми объяснимыми структурами, которые указывают на дискриминационную структуру SETTer. Мы показываем, что с помощью однослойной архитектуры трансформатора SETTer может эффективно моделировать долгосрочные зависимости в условиях различных сложностей данных. Широкие…
SETTER: Спарсе-Энкодер трансформатор для долгосрочного многовариантного прогнозирования временных рядов
arXiv:2609.20086v1 Аннонс Тип: новое резюме: долгосрочные многовариантные временные ряды играют важную роль во многих областях применения, таких как энергосистемы, торговля и т.д. Однако их точное прогнозирование довольно сложно для традиционных методов прогнозирования, поскольку они часто характеризуются высокой мерностью и сложными взаимоотношениями. Недавние работы показывают, что основанные на трансформаторах подходы являются достаточно эффективными для долгосрочного прогнозирования благодаря их механизму внимания. Однако в присутствии сложных высокомерных вводимых ресурсов они свидетельствуют о чрезмерном изнурении, ограниченности возможностей и дымности. С этой целью в настоящем документе предлагается модель SETTer, основанная на трансформаторе и учитывающая эти проблемы путем внедрения новых методов для разукрупнения самозащиты и маскировки. Предлагаемые методы позволяют SETTer эффективно улавливать доминирующие краткосрочные и долгосрочные модели во временных и судоходных измерениях. Кроме того, мы обогащаем слои модели простой объяснимой структурой