《SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction》的作者团队来自香港中文大学，发表在NeurIPS 2022会议上。

动机

该论文的出发点是观察到时间序列数据具有独特的属性：即使在将时间序列下采样成两个子序列后，时间关系（例如数据的趋势和季节性成分）也基本上得以保留。这个观察启发了作者去设计一种新型的神经网络架构，以更好地利用时间序列数据的这一特性进行有效的建模和预测。

具体来说，论文的主要出发点包括：

1. 时间序列数据的特性：时间序列数据在进行下采样后，仍然能够保留重要的时间关系，这一点与许多其他类型的序列数据不同。

2. 现有方法的局限性：传统的时间序列预测方法，如循环神经网络（RNN）、基于Transformer的模型和时间卷积网络（TCN），尽管取得了一定的成果，但它们并没有充分利用时间序列数据在下采样后保留时间关系的特性。

3. 多分辨率特征提取：通过递归地将时间序列下采样成子序列，可以获取一组丰富的卷积滤波器，这些滤波器能够在多个分辨率上提取动态时间特征。

   </