Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.usfq.edu.ec/handle/23000/14638| Tipo de material: | masterThesis |
| Título : | Súper Resolución de Series de Tiempo basada en Transformers |
| Autor : | Cárdenas Anchatipán, Andrés |
| Director de Tesis : | Ibarra Fiallo, Julio, dir. |
| Descriptores : | Inteligencia artificial - Redes - Tesis y disertaciones académicas |
| Fecha de publicación : | 1-dic-2024 |
| Editorial : | Quito |
| Citación : | Tesis ( Magíster en Ciencia de Datos), Universidad San Francisco de Quito, Colegio de Posgrados ; Quito, Ecuador, 2024 |
| Páginas : | 18 h. |
| Acceso: | openAccess Atribución-NoComercial-SinDerivadas 3.0 Ecuador |
| Resumen : | Nuestra arquitectura incluye una codificación de entrada con información posicional, una pila de bloques de codificadores Transformer con mecanismos de atención multi-cabezal y una capa de proyección lineal final para la reconstrucción de la salida. El modelo fue entrenado con 1000 series temporales de 5000 puntos cada una, utilizando un enfoque de aprendizaje autorregresivo enmascarado, y evaluado mediante la reconstrucción de versiones subsampleadas con 250 puntos... |
| Descripción : | Our architecture includes input encoding with positional information, a stack of Transformer encoder blocks with multi-head self-attention mechanisms, and a final linear projection layer for output reconstruction. The model was trained on 1000 time series of 5000 points each, using masked autoregressive learning, and evaluated by reconstructing their downsampled versions containing 250 points... |
| URI : | http://repositorio.usfq.edu.ec/handle/23000/14638 |
| Aparece en las colecciones: | Tesis - Maestría en Ciencia de Datos |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 339422.pdf | Texto completo | 1.19 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
