SCINet: Сетевая архитектура на основе сверток и взаимодействий для прогнозирования временных рядов
SCINet — это архитектура глубокого обучения для многошагового прогнозирования временных рядов, представленная Лю и др. на конференции NeurIPS 2022. Ее основная идея заключается в рекурсивной структуре бинарного дерева из SCI-блоков, каждый из которых разделяет входную последовательность на подпоследовательности с нечетными и четными индексами, применяет сверточные фильтры для моделирования межподпоследовательных взаимодействий, а затем объединяет полученные представления. Эта иерархическая стратегия понижающей дискретизации позволяет сети одновременно улавливать временные зависимости на нескольких разрешениях.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/ru/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.
- DLinearГлубокое обучение↔ compare
- TimesNet: Моделирование временных двумерных вариаций для временных рядовГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →