Li-Net：稀疏注意力多通道时间序列预测架构
热点事件持续更新
Li-Net：稀疏注意力多通道时间序列预测架构
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Lei Gao 等作者提出 Li-Net 架构，用于多通道时间序列预测。该架构通过动态压缩序列与通道维度的表示、可配置的非线性模块，以及在多尺度投影框架下使用稀疏 Top-K Softmax 注意力，来捕捉通道间的线性与非线性依赖；它还能融合多模态嵌入，引导稀疏注意力聚焦信息量最大的时间步与特征通道。 作者称，在多个真实基准数据集上，Li-Net 的性能与 SOTA 基线相当，同时内存占用显著更低、推理速度更快。
AI 根据报道生成 · 52 分钟前更新
最新进展10月19日 12:00
Li-Net：用稀疏注意力机制实现精准高效的多通道时间序列预测报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv cs.AILi-Net：用稀疏注意力机制实现精准高效的多通道时间序列预测
论文提出 Li-Net 架构，用于多通道时间序列预测，通过动态压缩序列与通道维度表示、可配置非线性模块及多尺度投影框架下的稀疏 Top-K Softmax 注意力，捕捉通道间线性与非线性依赖。该架构还能融合多模态嵌入，引导稀疏注意力聚焦信息量最大的时间步与特征通道。在多个真实基准数据集上，Li-Net 性能与 SOTA 基线相当，同时内存占用显著更低、推理速度更快。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。