SCINet: شبکهی کانولوشن و تعامل نمونه برای پیشبینی سری زمانی
SCINet یک معماری یادگیری عمیق برای پیشبینی چند مرحلهای سری زمانی است که توسط لیو و همکاران در NeurIPS 2022 معرفی شد. ایدهی اصلی آن ساختار درختی دودویی بازگشتی از بلوکهای SCI است که هر کدام یک دنبالهی ورودی را به زیردنبالههای با اندیس فرد و زوج تقسیم میکنند، فیلترهای کانولوشنی را برای مدلسازی تعاملات بین زیردنبالهها به کار میبرند و سپس نمایشهای آموختهشده را ادغام میکنند. این استراتژی کاهش نمونهی سلسلهمراتبی به شبکه امکان میدهد وابستگیهای زمانی را در چندین وضوح بهطور همزمان ثبت کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/fa/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.
- مدل خطی تجزیهپذیر برای پیشبینی سریهای زمانی (DLinear)یادگیری عمیق↔ compare
- TimesNet: مدلسازی تغییرات دوبعدی زمانی برای سریهای زمانییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →