利用 Siamese 循环神经网络建模时间序列相似性
通过引入 TimeSiam 框架,基于 Siamese 网络的时间序列自监督预训练方法能够强调时间相关性建模,通过过去到当前的重构学习内部时态相关的表示,以及引入可学习的线性嵌入来区分采样序列的时间间隔,进而在 13 个标准基准测试中,在跨领域和同领域情境下展示出优越的预测和分类能力。
Feb, 2024
本文提出了一个由多个孪生网络组成的模型,仅使用关于数据样本对之间相似性的信息进行训练,而无需明确标记的数据样本,从而将活动数据样本映射为固定大小的表示向量,使表征空间中的向量之间的距离近似于输入空间中数据样本的相似性,因此该训练模型可以作为一种度量标准用于各种不同的聚类算法,文中通过对三个数据集进行评估,验证了该模型在连续人体活动序列的分割和识别方面的有效性。
Jul, 2023
本文介绍了一种结合卷积神经网络和递归神经网络用于度量句子语义相似性的系统,使用卷积网络考虑单词的局部上下文和 LSTM 考虑句子的全局上下文,能够保留句子相关信息,并在句子相似性计算方面取得了良好的结果,具有和最优秀系统相竞争的优势。
Oct, 2018
本文提出了一种基于深度神经网络的协同式时序推荐网络(CSRNs)框架,将利用用户最近的浏览历史来预测未来事项的 RNN 序列推荐方法与 UserCF 的关键想法相结合,考虑到新闻阅读中的社会影响,通过建立用户之间的定向共读网络来捕捉细粒度的主题特定的相似性,并利用邻居模型来选择新闻文章并进行个性化推荐,实验表明,该模型明显优于现有的最先进方法。
Apr, 2020
提出了 Similarity-Aware Time-Series Classification (SimTSC) 框架,使用图神经网络建模时间序列的相似度信息,并结合深度学习模型实现时序分类。使用 ResNet 作为主干网络和 Dynamic Time Warping 作为相似度度量,在多个数据集上进行了广泛的实验,证明了该方法的有效性。
Jan, 2022
该论文提出了一种基于神经网络的方法,通过学习与时间相关的二维数据集的相关性来计算数据的稳定泛化度量(LSiM),以用于数值模拟结果的比较。该方法应用连锁神经网络架构,通过对数值 PDE 解析器进行控制数据生成来提高数据多样性,其特殊损失函数允许对训练数据进行单个数据样本之间关联性的学习。同时,通过对多个测试数据进行实验,证明了该方法相较于其它现有的向量空间和图像度量方法有更好的效果。
Feb, 2020
本文在理论物理学领域引入可解释的孪生神经网络 (SNN) 用于相似性检测。具体而言,我们将 SNN 应用于特殊相对论事件、电磁场的变形以及中心势场中粒子的运动,在这些例子中,SNN 学习识别属于同一事件、同一场配置或相同运动轨迹的数据点。结果表明,在学习哪些数据点属于同一事件或场配置的过程中,这些 SNN 还可以学习相关的对称不变量和守恒量。这些 SNN 高度可解释,使我们能够揭示对称不变量和守恒量而无需预先知识。
Mar, 2020
本文对于近三十年来产生和实践了重要的循环神经网络(RNN),LSTM 和 BRNN 等模型的研究进行综述,旨在提供一个自成体系的最前沿阐述和历史视角,并引用了相关研究文献。
May, 2015