Meetodi tõendite kirje

SCINet

SCINet is a deep learning architecture for multi-step time-series forecasting introduced by Liu et al. at NeurIPS 2022. Its core idea is a recursive binary-tree structure of SCI-Blocks, each of which splits an input sequence into odd- and even-indexed sub-sequences, applies convolutional filters to model cross-subsequence interactions, and then merges the learned representations. This hierarchical downsampling strategy enables the network to capture temporal dependencies at multiple resolutions simultaneously.

Sources recorded, not reviewed

Allikakirje

Tsiteeringud kopeeritud meetodi allikakirjest sõna-sõnalt. Nendest ei saa järeldada väidete tasemel kinnitust.

SCINet (Sample Convolution and Interaction Network)

Taksonoomiline meetodikirje · ml-model / deep-learning

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. · URL

Ava täielik meetod

Kureeritud väited

Väited on salvestatud tõendite registrisse, igal oma hinnanguga.

Kureeritud väiteid veel pole

See vaade ei loo väite hinnangut, kui registris seda pole.

Seotud meetodid

Genereeritud meetodigraafist ja kuvatud masina soovitatud seostena – väiteid ei järeldata.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTimesNetmachine-suggested · Relational suggestion, not evidence.