KENN：利用知识增强深度神经网络进行时间序列预测

Feb, 2022

KENN：利用知识增强深度神经网络进行时间序列预测

KENN: Enhancing Deep Neural Networks by Leveraging Knowledge for Time Series Forecasting

Muhammad Ali Chattha, Ludger van Elst, Muhammad Imran Malik, Andreas Dengel, Sheraz Ahmed

TL;DR本文提出了一种新颖的知识融合架构，Knowledge Enhanced Neural Network (KENN)，用于时间序列预测，旨在将知识和数据领域的优势相结合，减少整体框架对数据的依赖性，提高性能并将其与现有方法进行比较。

Abstract

End-to-end data-driven machine learning methods often have exuberant requirements in terms of quality and quantity of training data which are often impractical to fulfill in real-world applications. This is specifically true in time series domain where problems like disaster prediction

data-driven machine learning time series forecasting knowledge fusion kenn performance

发现论文，激发创造

关系领域知识增强的神经网络

本研究介绍了一种名为 KENN 的神经符号一体化框架，其将先前的逻辑知识注入神经网络。通过增加一个残差层来修改初始预测，这种方法的优点之一是包含条款权重，这些可学习参数表示条款的强度和影响。本研究的扩展版本更适用于关系数据，并在实验中验证了其有效性和可扩展性。

May, 2022

知识增强的神经时尚趋势预测

本文聚焦于研究特定用户群体的细粒度时尚元素趋势，并提出了一个具有领域知识增强的深度递归神经网络模型，可以有效地捕获不同时尚元素的复杂趋势，从而具有更好的时尚趋势预测能力。

May, 2020

深度学习和基础模型在时间序列预测中的调查

深度学习在时间序列预测方面取得了显著优势，然而在大流行预测领域仍存在挑战，如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术，并提供了进一步研究的建议。

Jan, 2024

将领域知识融入深度神经网络

本文调查了通过神经网络构建模型时如何加入领域知识，提供两种编码这种知识的方法，并描述了在每个方法的几个子类别中获得的技术和结果。

Feb, 2021

DKN: 新闻推荐中基于深度知识的神经网络

本文提出了一种深度知识感知网络 (DKN)，将知识图谱表示法融入新闻推荐中，使用多通道和单词 / 实体对齐的知识感知卷积神经网络 (KCNN) 整合新闻的语义水平和知识水平表示，设计注意力模块在 DKN 中动态聚合用户历史以及目前候选新闻，实验证明 DKN 在真实在线新闻平台所取得的成果超过了所有最先进的深度推荐模型，并证实了 DKN 中使用知识的有效性。

Jan, 2018

深度知识追踪

本文研究使用递归神经网络（RNN）对学生学习过程中的知识建模，结果显示神经网络能够提高预测性能，可用于智能课程设计和发现学生任务结构的解释与发现。

Jun, 2015

神经网络中的知识演化

提出了一种基于知识进化的训练方法，它通过将深度网络分成适配假设和重置假设来迭代进化知识，能够在相对较小的数据集上提高性能、学习较瘦的网络并减少推理成本，达到 21% 的绝对性能提升和 73% 的相对推理成本降低。

Mar, 2021

利用知识片段丰富人工智能解释

本研究使用人工智能模型进行制造业数据分析，考虑参数排序以及媒体新闻和元数据等数据源，提高对需求预测项目的解释性和可靠性。

Apr, 2022

知识增强的神经机器推理：综述

本文综合研究了知识增强的神经机器推理领域，分类总结了现有方法，并探讨了应用领域和未来研究前景。

Feb, 2023

深度预测因素

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019