使用循环神经网络作为实时欺诈检测系统,以短计算时间和少量能源资源实现了比现有技术更准确的多序列特征自由欺诈检测,节约了数百万美元。
Feb, 2020
本论文提出了基于 RNN 和 MTF 结构的深度学习框架,利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明,相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器,该网络结构可显著提高欺诈预测性能。
Aug, 2018
本文介绍了一种基于顺序模型的推荐系统,它利用原始交易数据进行预测,并在生产数据集上测试,取得了 47% 的 MAP@1 度量,证明了其效果的可靠性和实用性。同时,本文还探讨了将该系统嵌入 Nexus 数字体验架构的可能性和潜在的市场应用价值。
Jul, 2022
该论文研究了循环神经网络和其变体在处理序列方面的强大性能,并提出了一种基于长短期记忆(LSTM)预测区间的控制图方法,用于监测具有时间变动性的数据,并表明该方法优于其他基于神经网络的预测监测方法,特别适用于检测平均值突变的异常情况。
Sep, 2023
本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法,并在 GEANT 网络实验数据中验证表明,该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。
May, 2017
提出了一种名为基于记忆的时序网络的深度学习模型,具有较强的可解释性,旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。
Sep, 2018
本文旨在研究人体运动建模领域的前沿研究,特别关注基于深度递归神经网络的研究成果,对当前问题的评价方法进行了调查,在研究现有的体系结构、代价函数和训练程序时,提出了三点标准改进措施,取得了最新技术的突破性进展。
本论文介绍了一种名为平行 LSTM 的 RNN 模型,可以并行处理多个同步输入序列以预测共同输出。在自动电视节目分类任务上的实验表明,该方法优于基线 n-gram 模型和最先进的 LSTM 方法。
Feb, 2017
本文针对具有宽泛的预测过程监控任务,研究了采用 LSTM 神经网络建立的高准确度模型,证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。
Dec, 2016
提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测,结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息,并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉,实验结果表明,该模型的预测准确性优于其他二十种基准方法。
Oct, 2023