论文提出 Li-Net，用稀疏注意力兼顾多通道预测精度与计算开销。
资讯摘要
论文提出 Linear-Network（Li-Net）架构，用于多通道时间序列预测，重点学习通道间的线性与非线性依赖。该方法在序列与通道维度上动态压缩表示，经可配置非线性模块处理后重建预测，并在多尺度投影框架中引入 Top-K Softmax 稀疏注意力，同时融合多模态嵌入以引导注意力聚焦关键时间步与特征通道。作者报告在多个真实基准数据集上性能与先进基线相当，且内存占用更低、推理更快。
要点速读
- 论文提出 Li-Net，通过动态压缩序列与通道维度表示并重建预测，捕捉通道间线性与非线性依赖。
- Li-Net 在多尺度投影框架中集成 Top-K Softmax 稀疏注意力，并可融合多模态嵌入引导注意力。
- 作者报告在多个真实基准数据集上性能与先进基线相当，内存占用更低、推理更快，并通过消融与参数敏感性分析验证各组件。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。