SCINet: Rețea de convoluție și interacțiune eșantionată pentru prognoza seriilor temporale
SCINet este o arhitectură de învățare profundă pentru prognoza multi-pas a seriilor temporale, introdusă de Liu et al. la NeurIPS 2022. Ideea sa centrală este o structură recursivă de tip arbore binar de blocuri SCI (SCI-Blocks), fiecare dintre acestea desparte o secvență de intrare în sub-secvențe cu indici impari și pari, aplică filtre convoluționale pentru a modela interacțiunile inter-sub-secvențe și apoi combină reprezentările învățate. Această strategie ierarhică de sub-eșantionare permite rețelei să capteze dependențele temporale la multiple rezoluții simultan.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/ro/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 Linear de Descompunere pentru Prognoza Seriilor de TimpÎnvățare profundă↔ compare
- TimesNet: Modelare a Variației Temporale 2D pentru Serii de TimpÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →