研究了使用深度格网网络模型进行变长置换不变的特征向量聚合来预测标签,并添加输入和输出之间的单调性约束以提高可解释性。同时使用所提出的集合函数来从稀疏分类特征中自动化工程密集且可解释的特征,称为语义特征引擎。在实际数据上的实验表明,其准确性类似于深集合或深度神经网络,并且更易于调试和理解。
May, 2018
本文综述了基于缺失数据和原始数据的深度学习方法在电子健康记录中的应用,总结了这些方法在数据恢复和下游任务方面的表现,并在四个医学数据集上比较了它们的效果。
Oct, 2020
本文旨在利用图像分类的方式,将不规则采样的时间序列转换为线图像,应用于医疗应用中的时间序列分类问题,大大简化了算法设计,同时在多个数据集上显示出良好的性能,特别是在具有挑战性的离散传感器设置中,绝对 F1 分数提高了 54.0%。
Mar, 2023
本论文提供了第一个对基于序列到序列模型进行时间序列预测的理论分析,比较了这种方法与传统时间序列模型之间的区别,为实践者在不同建模方法中做出量化指导。
本文提出了一种新的适应实例嵌入到目标分类任务中的方法,通过一种集合到集合的函数,生成特定于该任务且有区分度的嵌入,并在标准少样本分类基准和四个扩展少样本学习设置中进行了验证,取得了一致的改进和最新的最佳结果。
Dec, 2018
通过结合传统的离散小波变换的转换和扩张序列,利用卷积神经网络和反向传播方法,我们提出了一种最小化、计算效率高的时间尺度网络,它可以同时学习多个时间尺度的特征,用于序列分类,并且具有显著减少参数和操作的优势。在心房功能障碍检测和癫痫预测方面表现出优异性能。
Nov, 2023
我们提出了一个旨在解决 TimeSieve 中不可靠性问题的框架,旨在提高模型的稳定性和可靠性,确保输出对上述因素的影响较小。实验证实了我们提出的框架的有效性,展示了模型行为的改进。我们计划扩大实验范围,进一步验证和优化我们的算法,以确保在各种场景下的全面可靠性,从而增强不仅 TimeSieve 而且其他最先进的时间方法的可靠性和稳健性。
May, 2024
提出了一种基于自监督变压器的多元时间序列数据建模方法,使用连续值嵌入技术对连续时间和变量值进行编码,避免了聚合或插值旧方法带来的问题,并利用自监督学习处理有限标记数据情况下的预测问题。在真实的多元临床时间序列基准数据集上进行了实验证明该方法的正确性。
Jul, 2021
本文研究了时间序列预测中的表演性问题,在机器学习的视角下,提出了一种称为特征表演位移(FPS)的新方法,该方法利用延迟响应的概念来预测可能的分布变化,并相应地预测目标变量。通过在 COVID-19 和交通预测任务上进行综合实验,结果表明 FPS 始终优于传统时间序列预测方法,突出了其在应对表演性问题方面的效果。
Oct, 2023
本文提出了一种基于超网络的框架,称为超时间序列预测(HTSF),它在分布漂移下可以实现准确的时间序列预测,并通过实验验证在 9 个基准测试中达到了最先进的性能。
Feb, 2022