SCINet: valimi konvolutsiooni- ja interaktsioonivõrk aegridade prognoosimiseks
SCINet on süvaõppe arhitektuur mitmeastmeliseks aegridade prognoosimiseks, mille tutvustasid Liu jt. NeurIPS 2022 konverentsil. Selle põhiidee on SCI-plokkide rekursiivne binaarpuu struktuur, millest igaüks jagab sisendjada paaris- ja paaritute indeksitega alajadadeks, rakendab konvolutsioonifiltreid alajadade vaheliste interaktsioonide modelleerimiseks ja seejärel ühendab õpitud representatsioonid. See hierarhiline kahandamisstrateegia võimaldab võrgul samaaegselt haarata ajalistest sõltuvustest mitmel resolutsioonil.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/et/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: Dekompositsiooniline lineaarne mudel aegridade prognoosimiseksSüvaõpe↔ compare
- TimesNet: Ajaline 2D-variatsiooni modelleerimine ajasarjade jaoksSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →