SCINet: Red Neuronal de Convolución e Interacción para Predicción de Series Temporales
SCINet es una arquitectura de aprendizaje profundo para la predicción de series temporales multietapa introducida por Liu et al. en NeurIPS 2022. Su idea central es una estructura recursiva de árbol binario de Bloques SCI (SCI-Blocks), cada uno de los cuales divide una secuencia de entrada en sub-secuencias de índices impares y pares, aplica filtros convolucionales para modelar interacciones entre sub-secuencias y luego fusiona las representaciones aprendidas. Esta estrategia jerárquica de submuestreo permite a la red capturar dependencias temporales en múltiples resoluciones simultáneamente.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/es/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: Modelo Lineal de Descomposición para Predicción de Series TemporalesAprendizaje profundo↔ compare
- TimesNet: Modelado de Variaciones Temporales 2D para Series TemporalesAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →