Feb, 2024

MTSA-SNN：基于脉冲神经网络的多模态时间序列分析模型

PDF
TL;DR基于脉冲神经网络的多模态时间序列分析模型（MTSA-SNN）能够有效地分析复杂时间序列数据，并在多个任务中取得卓越性能。
time series analysismodellingartificial neural networksspiking neural networkspulse encoder
发现论文，激发创造
  • 基于时间关注机制的尖峰神经网络用于事件流分类

    该论文提出了一种基于时间注意力的尖峰神经网络模型来处理事件流，能够有效地提取时空特征，提高分类准确率。

    Jul, 2021

  • MT-SNN：多阈值增强脉冲神经网络

    本文提出了一种多阈值（MT）方法，以缓解由二值激活带来的精度损失，从而使 SNNs 可以在更少的步骤达到更高的准确性，通过在 CIFAR10，CIFAR100 和 DVS-CIFAR10 上的评估，证明了 MT 可以广泛促进 SNNs，特别是在早期步骤中，例如，使用 MT，基于 Parametric-Leaky-Integrate-Fire（PLIF）的 VGG 网络甚至可以在 1 个步骤中胜过 ANN 对应物。

    Mar, 2023

  • TCJA-SNN: 面向脉冲神经网络的时域 - 通道联合注意力

    本论文提出了一种基于注意力机制的高效脉冲神经网络技术 —— 时间 - 通道联合注意 (TCJA) 架构单元，通过在空间和时间维度上有效地执行脉冲序列的相关性来实现更为数据有效的深度学习，运用压缩脉冲流，本地注意机制，1-D 卷积，交叉卷积融合等技术可以灵活地提取特征，同时，该方法在所有测试的静态和神经形态学数据集上的分类准确性 (SOTA) 最高可达 15.7%。

    Jun, 2022

  • TIM：面向脉冲变压器的高效时间交互模块

    介绍了一种名为 Temporal Interaction Module (TIM) 的卷积增强方法，它能无缝高效地整合到现有的 Spiking Neural Networks 架构中，显著提升其处理时间信息的能力，并在各种神经形态数据集上展现出最新的性能。

    Jan, 2024

  • 多尺度多模态对比学习网络用于生物医学时间序列

    多模态生物医学时间序列数据的表示学习方法，利用对比学习迁移模态间的变化，并通过多尺度特征提取和交叉模态对比学习来提高鲁棒性，在四个生物医学应用中相较于现有模型有较大的性能提升。

    Dec, 2023

  • 多元时间序列数据的全连接时空图

    提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

    Sep, 2023

  • MTS2Graph: 具有时间演化图的可解释性多变量时间序列分类

    本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，以捕获输入信号的作用和依赖关系，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在 8 个 UCR/UEA 归档数据集以及 HAR 和 PAM 数据集上运行广泛的实验，证明了我们的时间感知基于图形的表征在 MTS 分类中具有明显优势，并丰富了它们的可解释性。

    Jun, 2023

  • 增强型时空图神经网络预训练在多元时间序列预测中的应用

    本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

    Jun, 2022

  • 基于记忆网络的多元时间序列预测解决方案

    提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

    Sep, 2018

  • 基于互联网混搭的多元时间序列优化事件监测

    我们提出了一个网络混搭应用服务框架，支持多元时间序列的模型定义、参数学习、模型评估、数据监控、决策推荐和 Web 门户服务，并在一个实验案例中验证了我们的框架、模型和语言。

    Oct, 2022