SCINet: Sample Convolution and Interaction Network for Time-Series Forecasting
SCINet er en deep learning-arkitektur til multi-trins tidsserieprognoser introduceret af Liu et al. ved NeurIPS 2022. Dens kerneidé er en rekursiv binærtræstruktur af SCI-blokke, hvor hver blok opdeler en inputsekvens i ulige- og lige-indekserede undersekvenser, anvender konvolutionelle filtre til at modellere interaktioner på tværs af undersekvenser og derefter fletter de indlærte repræsentationer. Denne hierarkiske nedprøvningsstrategi gør det muligt for netværket at fange tidsmæssige afhængigheder ved flere opløsninger samtidigt.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/da/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: Decomposition Linear Model for Time Series ForecastingDyb læring↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →