SCINet: Мрежа за конволюция и взаимодействие на проби за прогнозиране на времеви редове
SCINet е архитектура за дълбоко обучение за многостъпково прогнозиране на времеви редове, представена от Liu et al. на NeurIPS 2022. Основната ѝ идея е рекурсивна структура на двоично дърво от SCI-блокове, всеки от които разделя входна последователност на подпоследователности с нечетни и четни индекси, прилага конволюционни филтри за моделиране на взаимодействия между подпоследователностите и след това обединява научените представяния. Тази йерархична стратегия за намаляване на дискретизацията позволява на мрежата да улавя времеви зависимости при множество резолюции едновременно.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Liu, M., Zeng, A., Chen, M., Xu, Z., Lai, Q., Ma, L., & Xu, Q. (2022). SCINet: Time series modeling and forecasting with sample convolution and interaction. NeurIPS. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/bg/deep-learning/scinet
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.
- DLinearДълбоко обучение↔ compare
- TimesNet: Моделиране на времеви 2D-вариации за времеви редовеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →