Jul, 2023

STS-CCL：城市交通预测的时空同步上下文对比学习

PDF
TL;DR本文提出了一种基于空间 - 时间同步对比学习（STS-CCL）模型的高效方法，通过图数据的增强和同步对比模块实现了复杂的空间 - 时间表示的捕获，进而在交通预测任务中取得了优越的性能。
spatiotemporal representationscontrastive learninggraph datasemantic featurestraffic forecasting
发现论文，激发创造
  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023

  • 谱时对比学习

    无监督学习与对比学习相结合的时间对比学习方法（STCL）基于谱分析来构建损失函数，利用示例数据的线性探测表现来评估图的谱特性。

    Dec, 2023

  • 图形背景对比多元时间序列分类

    我们提出了一种名为 Graph Contextual Contrasting (GCC) 的方法，用于确保多元时间序列数据中的空间一致性和时间一致性，并在各种 MTS 分类任务中取得了最先进的性能。

    Sep, 2023

  • 具有自监督的情境化时空对比学习

    本文提出了一种基于上下文感知的时空对比学习（ConST-CL）的方法，该方法成功地实现了学习细粒度视频表示，利用区域预文本任务引导模型从一个视角到另一个视角转换，并整合整体和局部表示的并行学习过程。我们在多个数据集上评估了所学得的表示，并展示了 ConST-CL 在 6 个数据集上取得了具有竞争力的结果，包括 Kinetics，UCF，HMDB，AVA-Kinetics，AVA 和 OTB。

    Dec, 2021

  • 脉冲神经网络的时间对比学习

    本研究提出了一种时域监督对比学习的方法，可以使神经网络在处理时间序列信息时具备低延迟和高性能，取得了 CIFAR-10、CIFAR-100 和 DVS-CIFAR10 等数据集的最新性能水平。

    May, 2023

  • Contextrast：语境对比学习用于语义分割

    通过提出的 Contextrast 方法，该论文在语义分割方面取得了显著的改进，能够捕捉到本地 / 全局上下文以及它们之间的关系，并通过利用细节解决边界区域的分割问题。

    Apr, 2024

  • 带对抗对比适应的时空图学习

    该研究提出了一种名为 GraphST 的空间 - 时间图学习模型，采用新的自监督学习方法以及跨视图对比学习方法，提高了模型中多视图信息的利用和处理，使其在空间 - 时间预测任务方面表现出了卓越的性能。

    Jun, 2023

  • 时间序列表示学习：基于时间和上下文对比的方法

    本文提出了一种通过时间和语境对比（TS-TCC）的无监督时间序列表示学习框架，该框架可从未标记数据中学习时间序列表示，其中包括弱和强扩充转换的两个不同但相关的视图，并提出了一种新的时间对比模块和一个上下文对比模块来学习稳健的时间表示和判别性表示。

    Jun, 2021

  • 面向步态识别的上下文敏感时序特征学习

    本论文提出了一种上下文敏感的时态特征学习（CSTL）网络，用于步态识别，其中在三个尺度上生成时间特征，并根据来自局部和全局视角的上下文信息自适应地聚合它们。通过使用 transformer 实现全局关系建模和选取差异化空间特征的策略，显著提高了步态识别的准确性。

    Apr, 2022

  • 利用空间对比预训练进行在训练数据中看不见的新道路的交通预测

    本论文介绍了一种新的设置，称为时空分裂，用于评估模型推广到未出现在训练数据中的新道路的能力，并提出了一种名为空间对比预训练的新型框架来从未见过的道路中提取潜在特征。 SCPT 框架不需要重新训练，在四个真实的数据集上实验结果表明，将 SCPT 添加到神经网络骨干中可以提高预测性能，特别是在进一步预测未来时提高更为显著。

    May, 2023