SCINet: Δίκτυο Συνέλιξης και Αλληλεπίδρασης Δειγμάτων για Πρόβλεψη Χρονοσειρών
Το SCINet είναι μια αρχιτεκτονική βαθιάς μάθησης για πρόβλεψη χρονοσειρών πολλαπλών βημάτων, η οποία εισήχθη από τους Liu et al. στο NeurIPS 2022. Η βασική του ιδέα είναι μια αναδρομική δομή δυαδικού δέντρου από SCI-Blocks, καθένα από τα οποία διαχωρίζει μια ακολουθία εισόδου σε υπο-ακολουθίες με περιττούς και άρτιους δείκτες, εφαρμόζει συνελικτικά φίλτρα για τη μοντελοποίηση δια-υποακολουθιακών αλληλεπιδράσεων και στη συνέχεια συγχωνεύει τις μαθημένες αναπαραστάσεις. Αυτή η ιεραρχική στρατηγική υποδειγματοληψίας επιτρέπει στο δίκτυο να συλλαμβάνει ταυτόχρονα χρονικές εξαρτήσεις σε πολλαπλές αναλύσεις.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/el/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: Γραμμικό Μοντέλο Αποσύνθεσης για Πρόβλεψη ΧρονοσειρώνΒαθιά Μάθηση↔ compare
- TimesNet: Μοντελοποίηση Χρονικών 2D-Διακυμάνσεων για ΧρονοσειρέςΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →