SCINet: Mạng Tích chập và Tương tác Mẫu cho Dự báo Chuỗi Thời gian
SCINet là một kiến trúc học sâu cho dự báo chuỗi thời gian đa bước được giới thiệu bởi Liu và cộng sự tại NeurIPS 2022. Ý tưởng cốt lõi của nó là cấu trúc cây nhị phân đệ quy gồm các Khối SCI (SCI-Blocks), mỗi khối chia một chuỗi đầu vào thành các chuỗi con có chỉ số lẻ và chẵn, áp dụng các bộ lọc tích chập để mô hình hóa các tương tác chéo giữa các chuỗi con, và sau đó hợp nhất các biểu diễn đã học. Chiến lược giảm mẫu phân cấp này cho phép mạng nắm bắt các phụ thuộc thời gian ở nhiều độ phân giải đồng thời.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). SCINet (Sample Convolution and Interaction Network). ScholarGate. https://scholargate.app/vi/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: Mô hình Tuyến tính Phân rã cho Dự báo Chuỗi Thời gianHọc sâu↔ compare
- TimesNet: Mô hình hóa Biến thiên 2D theo Thời gian cho Chuỗi Thời gianHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →