论文提出Li-Net稀疏注意力时序预测架构
热点事件持续更新
论文提出Li-Net稀疏注意力时序预测架构
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
论文作者在arXiv发布cs.AI论文，提出用于多通道时间序列预测的线性网络架构Li-Net。该架构在序列与通道维度动态压缩表示，通过可配置非线性模块捕获通道间线性和非线性依赖，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，并可融合多模态嵌入引导注意力聚焦关键时间步和特征通道。 据论文摘要，在多个真实基准数据集上的实验显示，Li-Net性能与最先进基线方法相当，同时内存占用更低、推理更快。以上为作者声称的摘要内容，具体数据集与数值在摘要中未说明。
AI 根据报道生成 · 4 小时前更新
最新进展10月19日 12:00
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报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv · cs.AILi-Net：基于稀疏注意力机制的多通道时间序列精准高效预测
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。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月19日 15:00
- 近 24 小时变化
- –
02.557.510
15:0016:0017:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。