Jun, 2015

使用隐单元逻辑模型进行时间序列分类

PDF
TL;DR我们提出了一种新的时间序列分类模型，称为隐藏单元逻辑模型，使用二元随机隐藏单元来模拟数据中的潜在结构，这些隐藏单元连接成链式结构模拟数据中的时间依赖性，我们证明了我们的模型在多种 (计算机视觉) 任务上的强大性能，包括手写字符识别、语音识别、面部表情和动作识别，并提出了一个基于隐藏单元逻辑模型的面部动作单元检测的最新系统。
time series classificationhidden-unit logistic modelbinary stochastic hidden unitstemporal dependenciesfacial action unit detection
发现论文，激发创造
  • 通用图形模型的隐变量结构化预测效率

    本文提出了一个有潜在变量的结构化预测的统一框架，包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近，在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果，比潜在结构支持向量机和隐藏条件随机场方法要好。

    Jun, 2012

  • 多元时间序列分类：深度学习方法

    本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

    Jul, 2023

  • 朝着透明的序列模型：基于模型的树马尔可夫模型

    通过使用 MOB-HSMM 模型，结合 LSTM 学习序列模式和 HSMM 模型，我们解决了黑箱机器学习模型应用于时序数据的可解释性问题，并成功检测到了高死亡风险事件和与重症监护病房中死亡风险相关的隐藏模式。

    Jul, 2023

  • 多类别时间逻辑神经网络

    我们提出了一种方法，结合了神经网络和 Signal Temporal Logic，用于对时间序列数据进行多类别分类，通过引入边界概念和 STL 属性，提高了分类结果的可解释性。

    Feb, 2024

  • 一种用于时序数据的循环潜变量模型

    本文研究了将潜在随机变量引入到循环神经网络（RNN）的动态隐藏状态中，结合变分自编码器，通过高级潜在随机变量建立了变分循环神经网络（VRNN），可以很好地建模结构化序列数据，如自然语音。通过对四个语音数据集和一个手写数据集的实证评估，证明了潜在随机变量在 RNN 动态隐藏状态中的重要作用。

    Jun, 2015

  • 用于数据高效文本分类的潜变量生成模型

    通过向生成式文本分类器引入离散潜变量，并探究几种图模型配置，我们提高了它的性能，尤其在小数据集下，同时分析了模型的可解释性。

    Oct, 2019

  • 学习逻辑电路

    本文提出了一种称为逻辑电路的新分类模型，并证明其具有符号人工智能的独特起源，该模型通过局部搜索算法实现从数据中得到强有力的模型结构，且其参数学习是凸优化问题。在 MNIST 和时装数据集上，我们的学习算法胜过拥有数量级更多参数的神经网络。

    Feb, 2019

  • 带隐变量的边际结构支持向量机

    本文提出了边际结构化支持向量机（MSSVM）来进行具有隐藏变量的结构化预测，与其他最先进的方法相比，特别是当不确定性很大时，MSSVM 可以更好地解释隐藏变量的不确定性，并且导致更平滑的目标函数，使梯度下降方法更快地收敛。我们还展示了这种方法如何在模拟和实际数据集上优于其他方法，包括潜在结构化 SVM（LSSVM）和隐藏条件随机场（HCRFs）。此外，我们提出了一个统一框架，将我们的方法与其他现有方法作为特例，以提供对不同模型在实践中的比较的见解。

    Sep, 2014

  • 多智能体系统局部行为预测及其在森林火灾模型中的应用

    本文研究了一种 CNN-LSTM 模型，用于预测大型多智能体系统中特定智能体的状态，模型采用 CNN 编码器，LSTM 模块和 MLP 解码器来预测智能体的未来状态，实验结果显示该模型具有更高的 AUC 并且计算效率更高。

    Oct, 2022

  • 多模态语言建模推进时间序列分类

    通过使用预训练语言模型，本研究提出了 InstructTime，将时间序列分类重塑为学习生成范式，并将任务特定指令和原始时间序列作为多模态输入，通过文本表示标签信息，实现了在时间序列分类中的卓越性能和通用基础模型的潜力。

    Mar, 2024