SCINet: Sample Convolution and Interaction Network för tidsserieprognoser
SCINet är en djupinlärningsarkitektur för prognoser av tidsserier med flera steg, introducerad av Liu et al. vid NeurIPS 2022. Dess kärnidé är en rekursiv binär trädstruktur av SCI-Block, där varje block delar en indatasekvens i undersekvenser med udda respektive jämna index, applicerar faltningsfilter för att modellera korsinteraktioner mellan undersekvenser och slår sedan samman de inlärda representationerna. Denna hierarkiska nedsamplingsstrategi gör det möjligt för nätverket att samtidigt fånga temporala beroenden vid flera upplösningar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/sv/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: Decomposition Linear Model för tidsserieprognoserDjupinlärning↔ compare
- TimesNet: Temporal 2D-Variation Modeling for Time SeriesDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →