Metodin todisteiden tietue

SegRNN

SegRNN is a recurrent neural network architecture for long-term time series forecasting proposed by Shengsheng Lin et al. in 2023. Instead of processing one time step at a time, SegRNN partitions input sequences into fixed-length segments and feeds each segment as a single token into a GRU. This segment-based design drastically reduces the number of recurrent iterations, addressing the well-known difficulty RNNs face when modeling very long dependencies over many individual steps.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

SegRNN (Segment Recurrent Neural Network)

Taksonominen metoditietue · ml-model / deep-learning

Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. · URL

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Same method familyGRUmachine-suggested · Relational suggestion, not evidence.Same method familyLSTMmachine-suggested · Relational suggestion, not evidence.Same method familyPatchTSTmachine-suggested · Relational suggestion, not evidence.