基于特征表示的顺序注意力源识别
本文提出了一种称为 Temporal Attention-Gated Model (TAGM) 的模型,将注意力模型和门控循环网络的思想集成在一起,以更好地处理嘈杂或未分段的序列,实现了更好的预测准确性和可解释性,这在口头数字识别,基于文本的情感分析和视觉事件识别等三个不同的任务中得到了证明。
Dec, 2016
本文提出了一种基于时间图的归纳表示学习方法,使用新颖的时间编码技术和自注意力机制,可以对动态网络中的节点分类和链接预测任务进行有效处理,并相对于现有的时空图嵌入方法取得了优秀的效果。
Feb, 2020
本文提出一种名为 Sequential Global Topic Attention(SGTA)的新方法,将所有对话中主题转换的全局信息柔和地利用起来,以更好地建模以及引导当前对话的回复生成,采用与混合内核函数建模的多变量偏态正态分布的潜在空间预测主题,并利用主题感知的先验 - 后验方法进行次要预测主题的选择,实验证明 SGTA 方法在预测和生成任务上优于竞争基准。
Oct, 2022
本研究提出了两种结合多源序列的注意力机制的方法,并在 WMT16 的多模态翻译和自动后编辑任务中进行了系统评估。结果表明,所提出的方法在两个任务上都取得了有竞争力的结果。
Apr, 2017
本研究提出了一种基于注意力机制的序列生成模型 POI-Augmentation Seq2Seq (PA-Seq2Seq),来解决缺失和不规则签到数据对模型性能的负面影响,以及学习用户历史中的时间相关性,以有效和高效地进行下一个位置推荐。通过在 Gowalla 和 Brightkite 两个真实世界的签到数据集上进行的广泛实验,证明了该方法的性能和有效性。
Jun, 2021
本文提出了通过使用基于图注意力网络的声谱 - 时间表示学习方法,以及采用模型级别的图融合和图池化策略,进行深度伪造声音检测的方法, 在 ASVspoof 2019 数据库上达到了 1.06% 的等误率,是目前为止报告的最佳结果之一。
Jul, 2021
该研究提出了一个名为 TSAT 的多元时间序列表示学习方法,使用动态图来表示时间信息和各变量间的相互关系,并将其应用于时间序列预测问题,实验证明 TSAT 的预测性能显著优于六种先进方法。
Aug, 2022
本文提出了一种基于 Fine-grained Iterative Attention Network (FIAN) 的跨模态时间语言定位方法,该方法采用内容定向定位策略而非现有的基于 Anchor 的方法,并在多个公开基准测试中表现出优异的性能。
Aug, 2020
探索使用基于 transformer 的时空关注网络 (STAN) 进行基于梯度的时间序列解释的可行性,并通过训练 STAN 模型在时间序列数据的全局和局部视图上进行视频分类,然后利用基于梯度的 XAI 技术 (如显著图) 识别时间序列数据的重要帧,并在使用四种相关医学活动的数据集进行实验中,STAN 模型展示了识别视频重要帧的潜力。
May, 2024
本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构,通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边,以及提出若干候选采样策略,同时端到端联合学习图结构和 TGNs,实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能,且在时间图上优于其他对比学习方法。
Jun, 2023