SCINet: Rede de Convolução e Interação Amostral para Previsão de Séries Temporais
SCINet é uma arquitetura de aprendizado profundo para previsão de séries temporais multi-passo introduzida por Liu et al. na NeurIPS 2022. Sua ideia central é uma estrutura recursiva de árvore binária de Blocos SCI (SCI-Blocks), cada um dos quais divide uma sequência de entrada em sub-sequências de índices ímpares e pares, aplica filtros convolucionais para modelar interações entre sub-sequências e, em seguida, mescla as representações aprendidas. Essa estratégia hierárquica de downsampling permite que a rede capture dependências temporais em múltiplas resoluções simultaneamente.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/pt/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: Modelo Linear de Decomposição para Previsão de Séries TemporaisAprendizado profundo↔ compare
- TimesNet: Modelagem de Variação Temporal 2D para Séries TemporaisAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →