Aug, 2022

利用 LSTM 嵌入进行静态种子和聚类学习，应用于松散时间解耦事件

PDF
TL;DR本文提出了一种使用循环神经网络（RNN）的改进方法，特别是使用长期短期记忆（LSTM）网络，以改进针对具有不同时间和位置的相似事件的时间序列预测。作者将相似性措施与基于趋势的时间序列中引入的嵌入相结合，这些嵌入可用于聚类以识别相似的时间序列事件，同时探讨了种子多元 LSTM 的方法，以及该方法在 COVID-19 检测感染和死亡案例的时间序列数据上的应用，取得了较好的预测效果。
loosely decoupled timeseriesrecurring neural networkslong short-term memoryai solutionscovid-19
发现论文，激发创造
  • 将 LSTMs 和 GNNs 集成用于 COVID-19 预测

    本文研究了如何将图神经网络与长短时记忆网络相结合，以更好地预测 COVID-19 疫情的发展情况，并在欧洲 37 个国家的数据中验证了该模型的有效性。同时，本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。

    Jul, 2021

  • 利用社交媒体帖子的无监督嵌入聚类预测 COVID-19 病例负载

    通过追踪特定美国州 COVID-19 子版块 Reddit 帖子的句子级表示的高密度聚类，我们将基于转换器的语言模型纳入了传染病建模中，并在许多高质量数据集中进行基准测试。结果表明，除了其他特征类型之外，这些聚类嵌入特征在预测传染病上升趋势信号方面表现最好，对于流行病学数据不可靠的领域具有重要意义。随后，在时间序列预测任务中，我们充分利用了以上模型的预测能力，并比较了使用不同补充数据集作为协变量特征集时，基于转换器的时间序列模型的相对优势。

    May, 2022

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018

  • 使用 LSTM 循环神经网络进行诊断学习

    本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将 128 个诊断结果与 13 个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

    Nov, 2015

  • LSTM 网络在机器通信中基于事件的源流量预测

    提出了一种基于 LSTM 的深度学习方法，用于事件驱动的源流量预测，该方法可以有效地预测机器类型设备的传输状态，较现有基准解决方案具有更高的资源节约和准确性。

    Jan, 2021

  • Phased LSTM: 加速长序列或基于事件序列的循环网络训练

    引入 Phased LSTM 模型，通过添加带有频率范围的参数化振荡的新时间门控制的 LSTM 单元扩展，使得模型更适合处理来自不同传感器且具有不同更新间隔的不规则采样数据，即异步事件流，可在具有长序列的学习任务中以较少的计算次数运行，既适用于处理传感器信号，也适用于标准的 RNN 应用。

    Oct, 2016

  • 基于差分隐私标签比例的分布式 LSTM 学习

    该论文提出了两个有效模型，利用差分隐私和去中心化 LSTM 学习，以解决数据隐私、通信带宽和从时空数据中学习的问题，并在 Pems-Bay 和 METR-LA 数据集上进行了评估，同时提供了基于 LuST 的自有数据集，评估结果显示了性能与数据隐私之间的权衡。

    Jan, 2023

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 利用生活事件序列预测人的生活

    利用机器学习等技术，将人类生活事件序列嵌入到一个单一的向量空间中，以预测包括早亡和人格特质在内的多种结果，从而为个性化干预提供了潜在机制。

    Jun, 2023

  • 为深度时序排序模型嵌入时间表达式

    本文介绍一种框架来将时间感知融入模型，方法是通过学习预先训练的模型嵌入时间表达式，生成由时间表达式和相关事件组成的合成数据，使用字符 LSTM 学习嵌入并分类时间表达式的时间关系，在强神经模型的上下文中评估嵌入的效用，并在 MATRES 数据集上表现出微小的提高，对于具有更频繁的事件时间交互的自动收集数据集则提供了更实质性的收益。

    Jun, 2019