SCINet : Réseau d'échantillonnage convolutif et d'interaction pour la prévision de séries temporelles
SCINet est une architecture d'apprentissage profond pour la prévision de séries temporelles multi-étapes introduite par Liu et al. à NeurIPS 2022. Son idée centrale est une structure récursive en arbre binaire de blocs SCI (SCI-Blocks), chacun divisant une séquence d'entrée en sous-séquences d'indices impairs et pairs, appliquant des filtres convolutifs pour modéliser les interactions inter-sous-séquences, puis fusionnant les représentations apprises. Cette stratégie d'échantillonnage descendant hiérarchique permet au réseau de capturer les dépendances temporelles à plusieurs résolutions simultanément.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/fr/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.
Compare side by side →Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →