Metodes pierādījumu reģistrs

SegRNN

SegRNN is a recurrent neural network architecture for long-term time series forecasting proposed by Shengsheng Lin et al. in 2023. Instead of processing one time step at a time, SegRNN partitions input sequences into fixed-length segments and feeds each segment as a single token into a GRU. This segment-based design drastically reduces the number of recurrent iterations, addressing the well-known difficulty RNNs face when modeling very long dependencies over many individual steps.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

SegRNN (Segment Recurrent Neural Network)

Taksonomiskās metodes reģistrs · ml-model / deep-learning

Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2023). SegRNN: Segment recurrent neural network for long-term time series forecasting. arXiv preprint. · URL

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Same method familyGRUmachine-suggested · Relational suggestion, not evidence.Same method familyLSTMmachine-suggested · Relational suggestion, not evidence.Same method familyPatchTSTmachine-suggested · Relational suggestion, not evidence.