Nov, 2023

学习多频部分相关图

PDF
TL;DR学习时间序列之间的依赖关系中，现有方法仍存在一个主要局限：学习到的部分相关性无法区分不同频段。我们通过学习一个稀疏、频率相关的部分相关性图来克服这个局限，其中各层对应不同的频段，且部分相关性只发生在几个层上。通过两个非凸学习问题的解决，得到了适用于知道部分相关性数量的情形的闭式解，以及适用于一般情况下没有先验知识的基于迭代的凸逼近解。合成数据的数值结果显示，我们提出的方法优于当前的最新技术水平。最后，对金融时间序列的分析证实了部分相关性仅存在于少数频段中，凸显我们的方法在频域分析中使人们获得宝贵的洞察力，否则这些洞察力将会被忽视。
发现论文，激发创造
  • 学习基于偏相关的深度视觉表征，用于图像分类

    本研究通过将 SICE 算法作为 CNN 的一个新型结构层，实现了利用偏相关方法构建图像的特征矩阵。与协方差矩阵比较，基于偏相关的图像特征矩阵可以更好地改善样本量小的问题，并在分类任务中获得优异的性能表现。

    Apr, 2023

  • 时空序列中的稀疏图学习

    本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

    May, 2022

  • 学习时间感知图结构进行空间相关时间序列预测

    提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

    Dec, 2023

  • 利用频率相关性进行高光谱图像重建

    通过在现有高光谱图像数据集上进行深入的统计频率分析，我们提出了以高光谱频率相关性 (HFC) 为根基的频率域学习方法，包括了面向低频和高频分量的频谱自适应自注意力 (SAF) 和频谱 - 空间交互 (SIF)，通过可学习的门控滤波器将 SAF 和 SIF 的输出进行自适应融合，从而实现了对图像频率先验的全面利用，并与现有的空间域学习相结合，最终开发了基于相关性驱动的混合域变换 (CMDT) 方法进行高光谱图像重建，实验证明我们的方法在重建质量和计算效率上超过了各种最新方法。

    Jun, 2024

  • 具有有限边界的相关滤波器

    本研究提出一种利用频域内部计算冗余并显著减少边界效应的相关滤波估计方法，以提高目标检测和跟踪性能，实现了准确性和计算效率的同时也探究了计算效率等因素产生的代价。

    Mar, 2014

  • 联合稀疏回归模型的偏相关估计

    在高维低样本量的情况下，我们提出一种计算效率高的方法，称为 Sparse PArtial Correlation Estimation，用于选择非零偏相关，并展示其在基因调控网络中有很好的表现。

    Nov, 2008

  • 深度学习中局部距离相关性的多用途应用

    本研究使用距离相关性技术进行深度学习模型的功能行为比较，发现距离相关性可以作为多种应用的正则化程序或约束条件，避免了常见困难。

    Jul, 2022

  • FreDF：频域预测学习

    频率增强直接预测 (FreDF) 绕过标签自相关的复杂性，通过学习在频率域进行预测，实验证明 FreDF 明显优于包括 iTransformer 在内的现有领先方法，并与各种预测模型兼容。

    Feb, 2024

  • 探究时空多频分析用于实现高保真度和时空一致性的视频预测

    本文提出基于多级小波分析的视频预测网络，以应对图像失真和时间不一致等现有预测模型所存在的问题，大量实验结果表明，本方法相较其他最先进的方法，具有更高的保真度和时间一致性。

    Feb, 2020

  • 利用 Price 定理和分段线性分解分析在线交叉相关器的框架

    本文旨在寻找通过有限样本估计交叉相关性的最佳和最简单的方法，不仅阐明了标准经验方法存在的缺陷，而且介绍了一大类构造交叉相关器的简单非线性函数，其中 Huber 损失函数、边际传播函数和 log-sum-exp 函数是最有前途的。

    Apr, 2023