SCINet: Xarxa de Convolució i Interacció Campionada per a la Predicció de Sèries Temporals
SCINet és una arquitectura d'aprenentatge profund per a la predicció de sèries temporals multietapa introduïda per Liu et al. a NeurIPS 2022. La seva idea central és una estructura recursiva de arbre binari de blocs SCI (SCI-Blocks), cadascun dels quals divideix una seqüència d'entrada en subseqüències d'índex senar i parell, aplica filtres convolucionals per modelar interaccions entre subseqüències i, a continuació, fusiona les representacions apreses. Aquesta estratègia jeràrquica de submostreig permet a la xarxa capturar dependències temporals a múltiples resolucions simultàniament.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/ca/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.
- DLinear: Model Lineal de Descomposició per a la Predicció de Sèries TemporalsAprenentatge profund↔ compare
- TimesNet: Modelatge de Variacions Temporals 2D per a Sèries TemporalsAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →