多尺度分解 MLP-Mixer 用于时序分析
原文中文，约300字，阅读约需1分钟。发表于：。提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。
该文介绍了一种新的CNN模型——PatchMixer，用于解决Transformer模型在时间序列预测任务中的挑战。PatchMixer具有自注意力机制，可以保留时间信息，且仅依赖于深度可分离卷积，可以在单一尺度的结构中提取局部特征和全局相关性。实验结果表明，相对于现有最先进的方法和表现最佳的CNN，PatchMixer的提升分别为3.9％和21.2％，速度是最先进方法的2-3倍。作者将发布代码和模型。
