DeepLINK-T：使用 knockoffs 和 LSTM 进行时间序列数据的深度学习推理

Apr, 2024

DeepLINK-T：使用 knockoffs 和 LSTM 进行时间序列数据的深度学习推理

DeepLINK-T: deep learning inference for time series data using knockoffs and LSTM

Wenxuan Zuo, Zifan Zhu, Yuxuan Du, Yi-Chun Yeh, Jed A. Fuhrman...

TL;DR提出了一种新的方法 DeepLINK-T，结合深度学习和 Knockoffs 推断，在高维长时序数据中控制假发现率（FDR），实现特征选择。该方法通过使用 LSTM 自编码器生成时间序列的 Knockoff 变量，使用原始和 Knockoff 变量的 LSTM 预测网络以及应用 Knockoffs 框架进行变量选择来解决时间和特征之间的依赖关系，并通过大量模拟研究来评估其性能，表明其相对于非时序模型具有更好的特征选择能力，并应用于三个元基因组数据集来验证其实用性和有效性，展示了其在实际应用中的潜力。

Abstract

high-dimensional longitudinal time series data is prevalent across various real-world applications. Many such applications can be modeled as regression problems with high-dimensional time series covariates.

high-dimensional longitudinal time series data regression deep learning feature selection false discovery rate (fdr)

发现论文，激发创造

DeepDRK: 深度依赖规范化 Knockoff 用于特征选择

基于深度依赖正则化 knockoff 的模型在虚假发现率 (FDR) 控制方面表现优异，特别是在样本量较小且数据分布复杂的情况下，对合成数据、半合成数据和真实世界数据都取得了更好的性能。

Feb, 2024

用于 FDR 控制变量选择的自编码模拟生成器

本文提出了一种模型无关的 knockoff 生成器，该生成器通过潜在变量表示近似特征之间的相关性结构，进而达到了对 FDR 的控制和更好的功效，可以在 HIV-1 患者中找到与药物抗性相关的突变。

Sep, 2018

利用 LSTM 嵌入进行静态种子和聚类学习，应用于松散时间解耦事件

本文提出了一种使用循环神经网络（RNN）的改进方法，特别是使用长期短期记忆（LSTM）网络，以改进针对具有不同时间和位置的相似事件的时间序列预测。作者将相似性措施与基于趋势的时间序列中引入的嵌入相结合，这些嵌入可用于聚类以识别相似的时间序列事件，同时探讨了种子多元 LSTM 的方法，以及该方法在 COVID-19 检测感染和死亡案例的时间序列数据上的应用，取得了较好的预测效果。

Aug, 2022

深度模仿品

使用深度生成模型对数据进行采样，生成对偶特征，提供一种灵活、无需模型的统计工具，以执行可控的变量选择和突变分析

Nov, 2018

多维时间序列预测的自适应图卷积网络框架

通过将自适应图卷积网络集成到各种空间时序预测模型中，以解决多维预测中维度之间的关系难以捕捉的问题，并进行了多个数据集的实验测试，证明我们的建议框架在模型中引入后，其准确率提高了约 10%。

May, 2022

利用模型不变性的因果发现和 Knockoff 干预

通过对预测变量的干预利用模型不变性来推断非线性多变量时间序列系统中的因果关系，并借助 Knockoffs-based interventions 检测模型不变性。在真实数据和合成数据上评估我们的方法，我们的方法优于其他广泛使用的因果关系方法，如 VAR Granger 因果关系、VARLiNGAM 和 PCMCI+。

Jul, 2022

利用深度神经网络建模长短期时间模式

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)，用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

统一长期时间序列预测基准

为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

Sep, 2023

E-LSTM-D：用于动态网络链接预测的深度学习框架

本文利用深度学习中的长短时记忆（LSTM）算法，提出了一种新的编码 - 时间序列解码（Encoder-LSTM-Decoder, E-LSTM-D）深度学习模型，能够在一个统一的框架内自动学习结构和时间特征，有效地处理动态网络中的链接预测问题，实现了非常优异的预测效果。

Feb, 2019

基于长短期记忆网络的时间序列预测深度学习

本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

Oct, 2018