May, 2024

时间序列预测的层次分类辅助网络

PDF
TL;DR我们提出了一种使用交叉熵损失对时间序列数值进行分词训练预测模型的新方法，通过整合多层次的高熵特征，使用层次感知注意模块，分配类标签并使用不确定性感知分类器来减轻预测中的过度自信，同时通过层次一致性损失保持预测结果的一致性。在多个真实世界数据集上，将 HCAN 与先进的预测模型相结合进行了大量实验证明了显著的改进。
deep learningtime series forecastingcross-entropy losshierarchical classificationuncertainty-aware classifier
发现论文，激发创造
  • 基于图形的时间序列聚类用于端到端分层预测

    本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。

    May, 2023

  • GEANN：用于多时域时间序列预测的可扩展图增强技术

    使用图神经网络作为数据增强来改善编码器，在冷启动产品的需求预测中取得明显的收益。

    Jul, 2023

  • DeepHGNN: 基于图神经网络的层次相关多变量时间序列预测方法研究

    这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。

    May, 2024

  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016

  • 层次联合图学习与多变量时间序列预测

    我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

    Nov, 2023

  • 利用分层卷积学习动态相关性并通过降噪长期序列预测

    提出了一种 Hierarchical Memorizing Network (HMNet) 模型，通过引入分层卷积结构、动态变量交互模块和自适应去噪模块，实现了对序列的多尺度信息提取、变量之间动态相关性学习和类似模式的去噪，实验证明 HMNet 在多个基准测试上明显优于现有模型。

    Dec, 2023

  • 多时标概率预测的异构时间序列的协同学习

    本文提出了一种深层条件生成模型，命名为变分协同多视界网络（VSMHN），以捕捉各种异质序列的复杂关系，训练过程使用随机变分推理，并生成更准确、更尖锐和更逼真的概率预测，同时表明建模异步事件序列对于多视界时间序列预测非常重要。

    Jan, 2021

  • 如何学习更多？探索科尔莫哥罗夫 - 阿诺德网络用于高光谱图像分类

    本研究评估了 Kolmogorov-Arnold Networks（KANs）在复杂高光谱图像（HSI）数据分类中的有效性，并提出了一种利用 1D、2D 和 3D KANs 的混合架构，实验证明该 KAN 架构相比于多个基于 CNN 和 ViT 的算法在多个基准数据集上具有竞争力或更好的能力。

    Jun, 2024

  • 利用深度网络的类层次结构改进失误

    本篇论文提出了使用图距离和交叉熵损失的两种简单方法来解决深度神经网络中错误严重性的问题，并在两个大型具有复杂类层次结构的数据集（tieredImageNet 和 iNaturalist'19）上优于先前的方法。

    Dec, 2019

  • 具有分层解缠特性的增强一致性感知网络在方面类别情感分析中的应用

    提出了一种增强的一致性感知网络与分层解缠模块（ECAN）用于用于基于方面类别的情感分析（ACSA）任务，其通过利用一致性建模来捕获整个评论中的上下文并帮助隐含的方面和情感识别，以提取独特的类别和情感特征，实现了最新的性能。

    Mar, 2024