SCINet: Vzorková konvoluční a interakční síť pro prognózování časových řad
SCINet je architektura hlubokého učení pro vícestupňové prognózování časových řad, kterou představili Liu et al. na konferenci NeurIPS 2022. Její základní myšlenkou je rekurzivní struktura binárního stromu SCI-Blocků, z nichž každý rozděluje vstupní sekvenci na podsekvence s lichými a sudými indexy, aplikuje konvoluční filtry pro modelování interakcí mezi podsekvencemi a následně slučuje naučené reprezentace. Tato hierarchická strategie podvzorkování umožňuje síti současně zachytit časové závislosti na více rozlišeních.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/cs/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: Dekompoziční lineární model pro predikci časových řadHluboké učení↔ compare
- TimesNet: Modelování časových řad pomocí dvourozměrných časových variacíHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →