SCINet: Mreža uzoraka konvolucije i interakcije za prognoziranje vremenskih serija
SCINet je arhitektura dubokog učenja za prognoziranje vremenskih serija s više koraka, koju su uveli Liu i suradnici na NeurIPS-u 2022. Njegova temeljna ideja je rekurzivna struktura binarnog stabla SCI-blokova, od kojih svaki dijeli ulazni niz na podnizove s neparnim i parnim indeksima, primjenjuje konvolucijske filtre za modeliranje unakrsnih interakcija podnizova, a zatim spaja naučene reprezentacije. Ova hijerarhijska strategija smanjivanja omogućuje mreži da istovremeno uhvati vremenske ovisnosti na više rezolucija.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/hr/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: Dekompozicijski linearni model za prognoziranje vremenskih serijaDuboko učenje↔ compare
- TimesNet: Vremenska 2D-varijacijska modelizacija za vremenske nizoveDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →