SCINet: Sample Convolution and Interaction Network voor Tijdreeksvoorspelling
SCINet is een deep learning architectuur voor multi-step tijdreeksvoorspelling, geïntroduceerd door Liu et al. op NeurIPS 2022. Het kernidee is een recursieve binaire boomstructuur van SCI-Blocks, die elk een invoersequentie opsplitst in sub-sequenties met oneven en even indices, convolutiefilters toepast om interacties tussen sub-sequenties te modelleren, en vervolgens de geleerde representaties samenvoegt. Deze hiërarchische downsampling strategie stelt het netwerk in staat om temporele afhankelijkheden op meerdere resoluties tegelijkertijd vast te leggen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/nl/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: Decomposition Linear Model voor TijdreeksvoorspellingDeep learning↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →