SCINet: Sieć konwolucyjno-interakcyjna do prognozowania szeregów czasowych
SCINet to architektura uczenia głębokiego do wieloetapowego prognozowania szeregów czasowych, wprowadzona przez Liu i wsp. na konferencji NeurIPS 2022. Jej podstawową ideą jest rekurencyjna struktura drzewa binarnego bloków SCI-Block, z których każdy dzieli sekwencję wejściową na podsekwencje o indeksach nieparzystych i parzystych, stosuje filtry konwolucyjne do modelowania interakcji między podsekwencjami, a następnie łączy nauczone reprezentacje. Ta hierarchiczna strategia próbkowania w dół umożliwia sieci jednoczesne wychwytywanie zależności czasowych na wielu rozdzielczościach.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/pl/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 dekompozycji liniowej do prognozowania szeregów czasowychUczenie głębokie↔ compare
- TimesNet: Modelowanie dwuwymiarowych wariacji czasowych dla szeregów czasowychUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →