Atualizado em 06/11/2026: texto corrigido: o verbete descrevia uma rede convolucional genérica, com pooling e camadas totalmente conectadas; a TCN se define por convoluções causais, dilatadas e conexões residuais. Entraram fórmula do campo receptivo, exemplo calculado, comparação com RNN e fontes. Como conferimos os dados
A Temporal Convolutional Network (TCN) é uma rede neural que usa convoluções para modelar sequências, como séries temporais, áudio e texto, no lugar de uma rede neural recorrente (RNN). Segundo Bai, Kolter e Koltun (2018), o termo descreve uma família de arquiteturas, não um modelo único.
O que define uma TCN
- Convolução causal: a saída de um instante depende só desse instante e dos anteriores. Não há “vazamento” do futuro para o passado.
- Entrada e saída do mesmo tamanho: a rede recebe uma sequência de qualquer comprimento e devolve outra com o mesmo comprimento, como uma RNN faz.
- Convolução dilatada: o filtro pula posições (o fator de dilatação d). Com d dobrando a cada camada (1, 2, 4, 8…), o campo receptivo, isto é, o trecho do passado que a rede enxerga, cresce de forma exponencial com a profundidade. Sem dilatação, a convolução causal só olha para trás numa janela que cresce de forma linear.
- Camadas residuais: conexões que somam a entrada de um bloco à saída dele, o que ajuda a treinar redes profundas.
Quanto do passado a rede enxerga
Numa convolução dilatada, o filtro de tamanho k olha as posições s, s − d, s − 2d… até s − (k − 1)d. Se a rede tiver n camadas, uma convolução por camada, com dilatação 1, 2, 4… 2n−1, o campo receptivo é:
campo receptivo = 1 + (k − 1) · (2n − 1)
| Camadas (n) | Dilatações | Filtro (k) | Campo receptivo |
|---|---|---|---|
| 3 | 1, 2, 4 | 3 | 1 + 2 · 7 = 15 instantes |
| 4 | 1, 2, 4, 8 | 3 | 1 + 2 · 15 = 31 instantes |
| 4 | 1, 1, 1, 1 (sem dilatação) | 3 | 1 + 2 · 4 = 9 instantes |
Cada camada a mais com dilatação dobrada dobra o alcance; sem dilatação, ela só soma k − 1. As contas valem para uma convolução por camada. Nos blocos residuais do artigo original há duas convoluções por bloco, então o alcance de uma rede real depende da configuração escolhida.
TCN × RNN
No estudo de Bai, Kolter e Koltun, uma arquitetura convolucional simples superou RNNs clássicas, como a LSTM, numa série de tarefas e conjuntos de dados, com memória efetiva mais longa. O resultado vale para os testes daquele trabalho; não é uma regra para qualquer problema. Para uma tarefa nova, os autores sugerem tratar a rede convolucional como ponto de partida, e não a recorrente.
Termos relacionados
Fontes (conferidas em 05/11/2026): arXiv: Bai, Kolter e Koltun, An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling (2018)