Εγγραφή τεκμηρίου μεθόδου

SegRNN

SegRNN is a recurrent neural network architecture for long-term time series forecasting proposed by Shengsheng Lin et al. in 2023. Instead of processing one time step at a time, SegRNN partitions input sequences into fixed-length segments and feeds each segment as a single token into a GRU. This segment-based design drastically reduces the number of recurrent iterations, addressing the well-known difficulty RNNs face when modeling very long dependencies over many individual steps.

Sources recorded, not reviewed

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

SegRNN (Segment Recurrent Neural Network)

Εγγραφή ταξινομικής μεθόδου · ml-model / deep-learning

Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. · URL

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.

Same method familyGRUmachine-suggested · Relational suggestion, not evidence.Same method familyLSTMmachine-suggested · Relational suggestion, not evidence.Same method familyPatchTSTmachine-suggested · Relational suggestion, not evidence.