SCINet: Sample Convolution and Interaction Network for Tidsserieprognoser
SCINet er en dyp læringsarkitektur for multi-stegs tidsserieprognoser introdusert av Liu et al. ved NeurIPS 2022. Kjern ideen er en rekursiv binærtre-struktur av SCI-blokker, hvor hver blokk deler en inngangssekvens i oddetalls- og partallsindekserte sub-sekvenser, anvender konvolusjonsfiltre for å modellere kryss-sub-sekvensinteraksjoner, og deretter slår sammen de lærte representasjonene. Denne hierarkiske nedskaleringsstrategien gjør at nettverket kan fange temporale avhengigheter på flere oppløsninger samtidig.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/no/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: Dekomponerende lineær modell for tidsserieprognoserDyp læring↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →