Zapis dowodowy metody

SCINet

SCINet is a deep learning architecture for multi-step time-series forecasting introduced by Liu et al. at NeurIPS 2022. Its core idea is a recursive binary-tree structure of SCI-Blocks, each of which splits an input sequence into odd- and even-indexed sub-sequences, applies convolutional filters to model cross-subsequence interactions, and then merges the learned representations. This hierarchical downsampling strategy enables the network to capture temporal dependencies at multiple resolutions simultaneously.

Sources recorded, not reviewed

Zapis źródłowy

Cytaty skopiowane dosłownie z zapisu źródłowego metody. Nie należy z nich wywnioskować weryfikacji na poziomie twierdzenia.

SCINet (Sample Convolution and Interaction Network)

Taksonomiczny zapis metody · ml-model / deep-learning

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. · URL

Otwórz pełną metodę

Wyselekcjonowane twierdzenia

Twierdzenia utrwalone w rejestrze dowodowym, każde z własną oceną.

Brak wyselekcjonowanych twierdzeń

Ten widok nie tworzy oceny twierdzenia, jeśli rejestr jej nie zawiera.

Powiązane metody

Wygenerowane z grafu metod i pokazane jako sugerowane przez maszynę powiązania — nie należy z nich wywnioskować twierdzenia dowodowego.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTimesNetmachine-suggested · Relational suggestion, not evidence.