KDDJun, 2020

使用深度神经网络预测时间序列集合

PDF
TL;DR本研究提出了基于深度神经网络的时间序列预测整体解决方案，其中独特的视角是通过构建集合级别的共现图来学习元素关系，并在动态关系图上执行图卷积。此外，设计了基于注意力机制的模块来自适应地学习元素和集合之间的时间依赖性，并提供门控机制来发现不同序列中的隐藏共享模式并融合静态和动态信息来提高预测性能。实验结果表明，即使只有一部分训练数据，我们的方法也可以取得竞争性的表现，并且可以优于现有方法。
temporal sets predictiondeep neural networkselement relationshipgraph convolutionsattention-based module
发现论文，激发创造
  • DeepSetNet：使用深度神经网络预测集合

    本文介绍了如何使用深度学习进行集预测任务，以较高的准确率对多类图像分类、物体计数和行人检测预测问题进行解决。

    Nov, 2016

  • 深度集合预测网络

    提出一种针对无序集合的预测模型，解决了现有方法忽视集合结构和存在的不连续性问题，通过单个特征向量可实现点集的自编码、图像中物体边框的预测以及物体属性集合的预测。

    Jun, 2019

  • 集合基数和状态分布联合学习

    我们提出了一种使用深度学习来学习预测集合的新方法。我们的方法通过联合学习目标集合的基数和状态分布来实现排列不变的集预测，证明了我们的方法在多标签图像分类任务上取得了最新的技术水平。

    Sep, 2017

  • Deep Perm-Set Net: 使用深度神经网络学习如何预测具有未知排列和基数的集合

    本文提出了一种使用深度神经网络学习预测具有未知置换和基数的集合的新方法，通过交替优化估计置换的分布，在目标检测和 CAPTCHA 问题上超越了最先进的检测器，并意外发现该方法获取了模拟算术的能力。

    May, 2018

  • 连续时间下集合序列的概率建模

    连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。

    Dec, 2023

  • 连续时间域中的时间事件集预测深度表示学习

    使用基于时空点过程的方法，通过加入上下文事件嵌入、时间信息和领域特征来建立模型，解决了连续时间域中预测事件集强度的问题，并通过大量实验表明，该方法在预测指标和计算效率上优于现有方法。

    Sep, 2023

  • 基于时序卷积神经网络的概率预测

    本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

    Jun, 2019

  • 通过联合建模多元关系结构演化进行时间属性预测

    本文提出了一個新的框架 DArtNet，它利用了動態知識圖中的信息進行時間序列預測，經實驗證明可以提高預測準確率。

    Mar, 2020

  • 集合互相依赖变换器：用于排列学习和结构预测的序列到序列神经网络

    通过交互依赖组件提升了注意力机制在 neural set encoding 的处理能力，提出了一个新的神经网络模型叫做 Set Interdependence Transformer，可用于处理各种基于集合的序列任务，如句子排序等。

    Jun, 2022

  • 结构化递归神经网络：时空图上的深度学习

    本文提出了一种结合高级时空图和序列学习成功的递归神经网络（RNN）的方法，通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能，适用于模拟人类运动到对象交互等多种问题领域。

    Nov, 2015