arXiv · cs.AI· Lei Gao, Hengda Bao, Jingfei Fang, Guangzheng Wu, Weihua Zhou, Yun Zhou·· 7 小时前
Li-Net：基于稀疏注意力机制的多通道时间序列精准高效预测
Accurate and Efficient Multi-Channel Time Series Forecasting via Sparse Attention Mechanism
arXiv:2603.18712v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Lei Gao, Hengda Bao, Jingfei Fang, Guangzheng Wu, Weihua Zhou, Yun Zhou
研究任务与主要进展
论文提出线性网络 Li-Net，用于多通道时间序列预测，可在序列与通道维度动态压缩表示，并通过可配置非线性模块捕获通道间线性和非线性依赖。其核心创新是在多尺度投影框架中引入稀疏 Top-K Softmax 注意力机制，并能融合多模态嵌入以引导注意力聚焦关键时间步和特征通道。在多个真实基准数据集上的实验显示，Li-Net 性能可与最先进基线方法竞争，且内存占用更低、推理更快。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org