SCINet: paraugu konvolūciju un mijiedarbības tīkls laika virkņu prognozēšanai
SCINet ir dziļās apmācības arhitektūra vairāku soļu laika virkņu prognozēšanai, ko 2022. gadā NeurIPS konferencē iepazīstināja Liu et al. Tās pamatideja ir SCI-Blocku rekursīva binārā koka struktūra, kur katrs bloks sadala ievades virkni pāra un nepāra indeksu apakšvirknes, izmanto konvolūciju filtrus, lai modelētu mijiedarbību starp apakšvirknēm, un pēc tam apvieno iegūtās reprezentācijas. Šī hierarhiskā samazināšanas stratēģija ļauj tīklam vienlaicīgi uztvert temporālās atkarības dažādās izšķirtspējās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/lv/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: Dekompozīcijas lineārais modelis laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
- TimesNet: La laika datu 2D-variāciju modelēšanaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →