Buchumschlag

Patch-Level Tokenization with CNN Encoders and Attention for Improved Transformer Time-Series Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nagrath, Saurish, Panigrahy, Saroj Kumar
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PatchDecomp: Interpretable Patch-Based Time Series Forecasting
von: Tomioka, Hiroki, et al.
Veröffentlicht: (2026)

TimePerceiver: An Encoder-Decoder Framework for Generalized Time-Series Forecasting
von: Lee, Jaebin, et al.
Veröffentlicht: (2025)

PSformer: Parameter-efficient Transformer with Segment Attention for Time Series Forecasting
von: Wang, Yanlong, et al.
Veröffentlicht: (2024)

EnergyPatchTST: Multi-scale Time Series Transformers with Uncertainty Estimation for Energy Forecasting
von: Li, Wei, et al.
Veröffentlicht: (2025)

Towards Lightweight Time Series Forecasting: a Patch-wise Transformer with Weak Data Enriching
von: Wang, Meng, et al.
Veröffentlicht: (2025)

Unlocking the Power of Patch: Patch-Based MLP for Long-Term Time Series Forecasting
von: Tang, Peiwang, et al.
Veröffentlicht: (2024)

CAPS: Unifying Attention, Recurrence, and Alignment in Transformer-based Time Series Forecasting
von: Pati, Viresh, et al.
Veröffentlicht: (2026)

TimeCNN: Refining Cross-Variable Interaction on Time Point for Time Series Forecasting
von: Hu, Ao, et al.
Veröffentlicht: (2024)

Unified Training of Universal Time Series Forecasting Transformers
von: Woo, Gerald, et al.
Veröffentlicht: (2024)

Attention as Robust Representation for Time Series Forecasting
von: Niu, PeiSong, et al.
Veröffentlicht: (2024)

Revisiting Attention for Multivariate Time Series Forecasting
von: Wu, Haixiang
Veröffentlicht: (2024)

Are Self-Attentions Effective for Time Series Forecasting?
von: Kim, Dongbin, et al.
Veröffentlicht: (2024)

Multiple-Resolution Tokenization for Time Series Forecasting with an Application to Pricing
von: Peršak, Egon, et al.
Veröffentlicht: (2024)

In-Context and Few-Shots Learning for Forecasting Time Series Data based on Large Language Models
von: Gopali, Saroj, et al.
Veröffentlicht: (2025)

Routing Channel-Patch Dependencies in Time Series Forecasting with Graph Spectral Decomposition
von: Li, Dongyuan, et al.
Veröffentlicht: (2026)

PhaseFormer: From Patches to Phases for Efficient and Effective Time Series Forecasting
von: Niu, Yiming, et al.
Veröffentlicht: (2025)

PENGUIN: Enhancing Transformer with Periodic-Nested Group Attention for Long-term Time Series Forecasting
von: Sun, Tian, et al.
Veröffentlicht: (2025)

VARMA-Enhanced Transformer for Time Series Forecasting
von: Song, Jiajun, et al.
Veröffentlicht: (2025)

Energy per Successful Goal: Goal-Level Energy Accounting for Agentic AI Systems
von: Panigrahy, Deepak, et al.
Veröffentlicht: (2026)

StretchTime: Adaptive Time Series Forecasting via Symplectic Attention
von: Kim, Yubin, et al.
Veröffentlicht: (2026)

Enhancing Channel-Independent Time Series Forecasting via Cross-Variate Patch Embedding
von: Shin, Donghwa, et al.
Veröffentlicht: (2025)

xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition
von: Stitsyuk, Artyom, et al.
Veröffentlicht: (2024)

PatchTrAD: A Patch-Based Transformer focusing on Patch-Wise Reconstruction Error for Time Series Anomaly Detection
von: Vilhes, Samy-Melwan, et al.
Veröffentlicht: (2025)

FISformer: Replacing Self-Attention with a Fuzzy Inference System in Transformer Models for Time Series Forecasting
von: Haznedar, Bulent, et al.
Veröffentlicht: (2026)

HTMformer: Hybrid Time and Multivariate Transformer for Time Series Forecasting
von: Wang, Tan, et al.
Veröffentlicht: (2025)

Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer
von: Koohfar, Sahar, et al.
Veröffentlicht: (2025)

EffiCANet: Efficient Time Series Forecasting with Convolutional Attention
von: Zhou, Xinxing, et al.
Veröffentlicht: (2024)

CITRAS: Covariate-Informed Transformer for Time Series Forecasting
von: Yamaguchi, Yosuke, et al.
Veröffentlicht: (2025)

Fredformer: Frequency Debiased Transformer for Time Series Forecasting
von: Piao, Xihao, et al.
Veröffentlicht: (2024)

LATST: Are Transformers Necessarily Complex for Time-Series Forecasting
von: Liang, Dizhen
Veröffentlicht: (2024)

Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization
von: Masserano, Luca, et al.
Veröffentlicht: (2024)

Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition
von: Bumb, Mayank, et al.
Veröffentlicht: (2025)

Curse of Attention: A Kernel-Based Perspective for Why Transformers Fail to Generalize on Time Series Forecasting and Beyond
von: Ke, Yekun, et al.
Veröffentlicht: (2024)

XicorAttention: Time Series Transformer Using Attention with Nonlinear Correlation
von: Kimura, Daichi, et al.
Veröffentlicht: (2025)

TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

CASA: CNN Autoencoder-based Score Attention for Efficient Multivariate Long-term Time-series Forecasting
von: Lee, Minhyuk, et al.
Veröffentlicht: (2025)

Introducing Spectral Attention for Long-Range Dependency in Time Series Forecasting
von: Kang, Bong Gyun, et al.
Veröffentlicht: (2024)

DPANet: Dual Pyramid Attention Network for Multivariate Time Series Forecasting
von: Li, Qianyang, et al.
Veröffentlicht: (2025)

FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting
von: Li, Ruiqi, et al.
Veröffentlicht: (2024)

PeriodNet: Boosting the Potential of Attention Mechanism for Time Series Forecasting
von: Zhao, Bowen, et al.
Veröffentlicht: (2025)