SCINet: Uzorak konvolucije i mrežna interakcija za prognozu vremenskih serija
SCINet je arhitektura dubokog učenja za prognozu vremenskih serija sa više koraka, koju su uveli Liu i saradnici na NeurIPS 2022. Njena osnovna ideja je rekurzivna struktura binarnog drveta SCI-blokova, od kojih svaki deli ulazni niz na pod-nizove sa neparnim i parnim indeksima, primenjuje konvolucione filtere za modelovanje interakcija između pod-nizova, a zatim spaja naučene reprezentacije. Ova hijerarhijska strategija smanjenja uzorkovanja omogućava mreži da istovremeno uhvati vremenske zavisnosti na više rezolucija.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/sr/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: Dekompozicioni linearni model za prognoziranje vremenskih serijaDuboko učenje↔ compare
- TimesNetDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →