Apr, 2023

使用基于自编码器的内容感知 2D 表示法识别时间序列中的随机性：以黑洞数据为例

PDF
TL;DR本研究提出一种基于自编码器的 2D 表示法，用于对时间序列进行分类，从而理解底层物理过程。使用联合时间和频率维度特征的内容感知的 1D 时间序列到 2D 表示的转换被提出。使用 421 个合成时间序列训练了 EfficientNetv2-S 分类器，并在公开的天文数据集上进行了评估，证明了该方法的有效性。
autoencoder2d representationtime-series classificationlatent space signatureefficientnetv2-s
发现论文，激发创造
  • 利用自编码器对未知随机动态系统进行建模

    我们提出了一种数值方法，可以从轨迹数据中学习一个精确的预测模型，以预测未知随机动力系统。该方法使用自编码器的思想来识别未被观察的潜在随机变量，并通过深度神经网络来设计编码器和解码器，从而重建系统的未来状态。经过大量的数值示例验证，该方法能够使用短时间的轨迹数据产生长期的系统预测结果，并适用于非高斯噪声驱动的系统。

    Dec, 2023

  • 时序可视化的模型耦合自编码器

    本文提出了一种结合回声状态网络和自编码器的时间序列可视化方法，利用固定的隐藏神经元储层训练回声状态网络并使用优化的输出权重作为新的表示，接着使用自编码器进行降维处理，演示了该方法在来自不同领域的时间序列数据集上处理的多样性和优势。

    Jan, 2016

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 时间潜变量自编码器：一种概率多元时间序列预测方法

    本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解，并通过解码器建模输入序列的复杂分布，得到极好的表现。

    Jan, 2021

  • 利用注意力和对抗训练的多变量时间序列表示学习

    本文提出了一种基于变压器自编码器的、使用对抗训练方案进行正则化的人工多变量时间序列信号生成方法，通过 t-SNE 可视化、动态时间扭曲（DTW）和熵评分对生成的信号进行评估，结果表明与卷积网络方法相比，生成的信号与示例数据集的相似性更高。

    Jan, 2024

  • 变分有损自编码器

    本文提出了一种基于变分自编码器和神经自回归模型的简单但原则性的方法来学习全局表示，该方法允许对全局潜在特征进行控制，通过设计相应的架构，可以迫使全局潜在特征丢弃 2D 图像纹理等无关信息，并且通过利用自回归模型作为潜在分布和解码分布，可以大大提高 VAE 的生成建模性能，实现了 MNIST、OMNIGLOT 和 Caltech-101 Silhouettes 密度估计任务的新的最先进结果。

    Nov, 2016

  • 时间序列无监督异常检测的降噪架构

    通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。

    Aug, 2022

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

    Dec, 2023

  • 基于序列重建的状态空间模型的时间序列异常检测

    本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

    Mar, 2023

  • 一种基于行为模式检测和自编码器的多维时间序列恢复方法

    该论文介绍了一种通过神经网络和搜索片段的算法来恢复多维时间序列中的缺失值的方法，包括数据预处理、识别和重建阶段，使用了卷积和循环神经网络，实验证明该方法具有较高的恢复准确度和相对于其他先进方法的优势。

    Dec, 2023