Запис доказів методу

SCINet

SCINet is a deep learning architecture for multi-step time-series forecasting introduced by Liu et al. at NeurIPS 2022. Its core idea is a recursive binary-tree structure of SCI-Blocks, each of which splits an input sequence into odd- and even-indexed sub-sequences, applies convolutional filters to model cross-subsequence interactions, and then merges the learned representations. This hierarchical downsampling strategy enables the network to capture temporal dependencies at multiple resolutions simultaneously.

Sources recorded, not reviewed

Запис джерела

Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.

SCINet (Sample Convolution and Interaction Network)

Запис таксономічного методу · ml-model / deep-learning

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. · URL

Відкрити повний метод

Відібрані твердження

Твердження збережено в журналі доказів, кожне зі своєю оцінкою.

Відібраних тверджень ще немає

Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.

Пов'язані методи

Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.

Taxonomic bucketDLinearmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTimesNetmachine-suggested · Relational suggestion, not evidence.