Mar, 2024

ComS2T: 适用于数据自适应模型演化的补充时空学习系统

PDF
TL;DR通过引入一种基于提示的互补时空学习方法 ComS2T，该方法将神经结构分为稳定的新皮层和动态的海马体，从而实现模型对数据适应性的进化。通过训练空间和时间提示来使提示适应新数据，结合两阶段训练过程，实现了在测试期间的高效适应性，有效地适应不同的时空场景，并保持高效的推理能力。
spatiotemporal learningsmart citiesurban datadata adaptationcoms2t
发现论文，激发创造
  • 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

  • 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

  • STS-CCL：城市交通预测的时空同步上下文对比学习

    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。

    Jul, 2023

  • 一种补充学习系统方法的时序差分学习应用

    本文提出了一种结合 DNN 和 SOM 的算法，即 CTDL，该算法融合了 neocortical 和 hippocampal 两个系统的优点，使用 TD 误差更新 SOM，并结合 SOM 和 DNN 计算动作值，实验证明了相比于经典的 DQN 方法，CTDL 在格子地图和 Cart-Pole 环境下有较多的优势，证明了互补学习系统对行为评估的有用性、TD 误差信号在两个系统之间的传递和所提出方法的生物学可行性。

    May, 2019

  • 时空隐式神经表示作为广义交通数据学习器

    通过参数化空时交通数据（STTD）为隐式神经表示，我们提供了一种新的方法来解决 STTD 学习问题。通过在低维度范围内识别潜在动力学和分解空时交互作用，我们的方法能够进行各种 STTD 的建模，并展示了其在实际应用中的有效性。

    May, 2024

  • 一种用于动态视觉刺激生成的时空风格迁移算法

    图像研究中，我们引入了动态视觉刺激生成框架的 Spaciotemporal Style Transfer 算法，它基于双流深度神经网络模型，能够生成与自然视频的低级时空特征匹配的模型变形器，缺乏高级语义特征，成为研究对象识别的有力范例。

    Mar, 2024

  • 自动化时空图对比学习

    本文介绍了一种 Automated Spatio-Temporal graph contrastive learning（AutoST）的方法，在考虑到多视图数据源的情况下，结合异构图神经架构，通过参数化的对比视图生成器来设计自动的时空增强方案，以解决数据噪声、分布异质性等问题，并进行对比实验以验证其效果。

    May, 2023

  • 自适应突触电路增强尖峰神经网络的时空预测学习

    本文提出了一种新的时空电路（STC）模型，通过集成两个可学习的自适应路径来增强尖峰神经元的时间记忆和空间协调能力，从而解决现有 SNN 模型在处理复杂、动态的时空预测任务中缺乏长期时序依赖性建模和空间信息交互能力的问题。通过在多个时空预测数据集上进行广泛的实验，证明了该模型优于其他自适应模型，并且与现有的尖峰神经元模型兼容，丰富了 SNN 的特异性和拓扑复杂性。

    Jun, 2024

  • 基于 Prompt 的时空图迁移学习

    提出了一个基于提示增强的跨时空图转移学习框架，适应数据稀缺领域中的多样任务，在三个下游任务预测、克里金插值和外推中明显优于现有基线方法。

    May, 2024