SCINet: Sample Convolution and Interaction Network per la Previsione di Serie Temporali
SCINet è un'architettura di deep learning per la previsione di serie temporali multi-step introdotta da Liu et al. a NeurIPS 2022. La sua idea centrale è una struttura ricorsiva ad albero binario di SCI-Block, ciascuno dei quali scompone una sequenza di input in sotto-sequenze con indici dispari e pari, applica filtri convoluzionali per modellare le interazioni tra sotto-sequenze e quindi unisce le rappresentazioni apprese. Questa strategia gerarchica di downsampling consente alla rete di catturare le dipendenze temporali a più risoluzioni simultaneamente.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/it/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: Modello Lineare a Decomposizione per la Previsione di Serie StoricheApprendimento profondo↔ compare
- TimesNet: Modellazione della Variazione Temporale 2D per Serie StoricheApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →