Registre d'evidència del mètode

SCINet

SCINet is a deep learning architecture for multi-step time-series forecasting introduced by Liu et al. at NeurIPS 2022. Its core idea is a recursive binary-tree structure of SCI-Blocks, each of which splits an input sequence into odd- and even-indexed sub-sequences, applies convolutional filters to model cross-subsequence interactions, and then merges the learned representations. This hierarchical downsampling strategy enables the network to capture temporal dependencies at multiple resolutions simultaneously.

Sources recorded, not reviewed

Registre font

Les citacions es copien textualment del registre font del mètode. No s'infereix cap verificació a nivell de reclam d'elles.

SCINet (Sample Convolution and Interaction Network)

Registre de mètode taxonòmic · ml-model / deep-learning

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. · URL

Obre el mètode complet

Reclamacions curades

Les reclamacions s'han persistit al registre de proves, cadascuna amb la seva pròpia avaluació.

Encara no hi ha reclamacions curades

Aquesta vista no inventa una avaluació de reclam quan el registre no en té cap.

Mètodes relacionats

Generat a partir del gràfic de mètodes i mostrat com a relacions suggerides per la màquina; no s'infereix cap reclamació d'evidència.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTimesNetmachine-suggested · Relational suggestion, not evidence.