SCINet: Jaringan Konvolusi dan Interaksi Sampel untuk Peramalan Deret Waktu
SCINet adalah arsitektur pembelajaran mendalam untuk peramalan deret waktu multi-langkah yang diperkenalkan oleh Liu et al. di NeurIPS 2022. Ide intinya adalah struktur pohon biner rekursif dari Blok SCI, yang masing-masing membagi urutan masukan menjadi sub-urutan berindeks ganjil dan genap, menerapkan filter konvolusional untuk memodelkan interaksi antar-sub-urutan, dan kemudian menggabungkan representasi yang dipelajari. Strategi *downsampling* hierarkis ini memungkinkan jaringan untuk menangkap dependensi temporal pada berbagai resolusi secara bersamaan.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/id/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: Model Linear Dekomposisi untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
- TimesNet: Pemodelan Variasi Temporal 2D untuk Deret WaktuPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →