SCINet: Näytekonvoluutio- ja interaktiotietoverkko aikasarjaennustamiseen
SCINet on syväoppimisarkkitehtuuri monivaiheiseen aikasarjaennustamiseen, jonka Liu et al. esittelivät NeurIPS 2022 -konferenssissa. Sen ydinidea on SCI-lohkojen rekursiivinen binääripuurakenne, jossa kukin lohko jakaa syötesarjan parittomiin ja parillisiin alisarjoihin, soveltaa konvoluutiosuodattimia alisarjojen välisten vuorovaikutusten mallintamiseen ja yhdistää sitten opitut esitykset. Tämä hierarkkinen alinäytteistysstrategia mahdollistaa verkon ajallisten riippuvuuksien mallintamisen useilla resoluutioilla samanaikaisesti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/fi/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: Hajotelmaan perustuva lineaarinen malli aikasarjaennustukseenSyväoppiminen↔ compare
- TimesNet: Ajallinen 2D-vaihtelun mallintaminen aikasarjoissaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →