SCINet: Sample Convolution and Interaction Network untuk Ramalan Deret Masa
SCINet ialah seni bina pembelajaran mendalam untuk ramalan deret masa pelbagai langkah yang diperkenalkan oleh Liu et al. di NeurIPS 2022. Idea terasnya ialah struktur pokok dedua rekursif bagi Blok SCI, yang mana setiap satunya membahagikan jujukan input kepada sub-jujukan berindeks ganjil dan genap, mengaplikasikan penapis konvolusional untuk memodelkan interaksi rentas-sub-jujukan, dan kemudian menggabungkan perwakilan yang dipelajari. Strategi pensampelan bawah hirarki ini membolehkan rangkaian menangkap kebergantungan temporal pada pelbagai resolusi secara serentak.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/ms/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 Terdekomposisi untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
- TimesNet: Pemodelan Variasi Temporal 2D untuk Siri MasaPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →