SCINet: Зразок згорткової мережі для моделювання взаємодій у часових рядах
SCINet — це архітектура глибокого навчання для багатоетапного прогнозування часових рядів, представлена Liu et al. на NeurIPS 2022. Її основна ідея полягає в рекурсивній структурі бінарного дерева з блоків SCI-Blocks, кожен з яких розділяє вхідну послідовність на підпослідовності з непарними та парними індексами, застосовує згорткові фільтри для моделювання взаємодій між підпослідовностями, а потім об'єднує отримані представлення. Ця ієрархічна стратегія зменшення вибірки дозволяє мережі одночасно вловлювати часові залежності на різних масштабах.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/uk/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: Модель лінійного розкладу для прогнозування часових рядівГлибоке навчання↔ compare
- TimesNet: Моделювання часових 2D-варіацій для часових рядівГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →