SCINet: โครงข่ายประสาทแบบการสังเคราะห์ตัวอย่างและการปฏิสัมพันธ์สำหรับการพยากรณ์อนุกรมเวลา
SCINet เป็นสถาปัตยกรรมโครงข่ายประสาทเชิงลึกสำหรับการพยากรณ์อนุกรมเวลาแบบหลายขั้นตอน ซึ่งนำเสนอโดย Liu et al. ในงาน NeurIPS 2022 แนวคิดหลักคือโครงสร้างแบบต้นไม้ไบนารีเชิงเรียกซ้ำของ SCI-Blocks โดยแต่ละบล็อกจะแบ่งลำดับอินพุตออกเป็นลำดับย่อยที่มีดัชนีคี่และคู่ จากนั้นใช้ตัวกรองการสังเคราะห์เพื่อจำลองปฏิสัมพันธ์ระหว่างลำดับย่อย และรวมการนำเสนอที่เรียนรู้ได้เข้าด้วยกัน กลยุทธ์การลดขนาดแบบลำดับชั้นนี้ช่วยให้โครงข่ายสามารถจับการพึ่งพาเชิงเวลาที่ความละเอียดหลายระดับพร้อมกันได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/th/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: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- TimesNet: การสร้างแบบจำลองความแปรปรวนเชิงพื้นที่ 2 มิติสำหรับอนุกรมเวลาการเรียนรู้เชิงลึก↔ compare