SCINet: Vzorová konvolučná a interakčná sieť pre predikciu časových radov
SCINet je architektúra hlbokého učenia pre viacstupňovú predikciu časových radov, ktorú predstavili Liu et al. na konferencii NeurIPS 2022. Jej základnou myšlienkou je rekurzívna binárna stromová štruktúra SCI-blokov, z ktorých každý rozdelí vstupnú sekvenciu na podsekvencie s nepárnymi a párnymi indexmi, aplikuje konvolučné filtre na modelovanie interakcií medzi podsekvenciami a následne zlúči naučené reprezentácie. Táto hierarchická stratégia znižovania vzorkovacej frekvencie umožňuje sieti súčasne zachytiť časové závislosti na viacerých rozlíšeniach.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/sk/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: Dekompozičný lineárny model pre predikciu časových radovHlboké učenie↔ compare
- TimesNet: Modelovanie časových radov pomocou 2D-variáciíHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →