Jun, 2024

利用课程学习增强时空分位数预测：经验教训

PDF
TL;DR使用创新的课程学习范式，从空间、时间和分位数角度分别针对性地处理三种形式的课程学习，并结合堆叠融合模块，提高了复杂时空问题的性能和学习效率。通过广泛的实证评估，展示了该框架的有效性，并通过详尽的剖析研究探讨了课程学习对提高时空数据学习效率的贡献。
spatio-temporal datacurriculum learningperformancelearning efficiencyempirical evaluations
发现论文，激发创造
  • Easy Begun is Half Done: ST-Curriculum Dropout 下的时空图建模

    提出了一种名为 ST-Curriculum Dropout 的新颖策略用于空间 - 时间图模型中，通过控制模型训练过程中 ST 关系的难度级别，从简单到复杂有序地将节点展示给模型，使其能够更好地捕捉数据表示，从而提高模型的泛化性能。

    Nov, 2022

  • STUaNet：理解时空集体人类移动中的不确定性

    提出了一个不确定性学习机制来同时估计内部数据质量和量化外部不确定性，以提供空间时间预测的高质量不确定性量化，并通过设计一个基于门控的桥梁来重新校准和提高预测性能，从而解决不确定性标签的缺乏这一问题。

    Feb, 2021

  • 一种用于序列标注的有效结合异构知识的课程学习

    提出了一种针对序列标注任务设计的两阶段课程学习（TCL）框架，通过逐渐引入易难的数据实例来提高性能和训练速度，以增强序列标注模型的性能，通过在六个中文分词（CWS）和词性标注（POS）数据集上的实验证明了该模型的有效性，并表明 TCL 加速了训练并缓解了复杂模型的慢训练问题。

    Feb, 2024

  • 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

  • 可视化和理解长短期记忆网络的课程学习

    本文研究了课程学习对长短期记忆 (LSTM) 网络的影响，其中包括情感分析任务和与自然语言处理中序列预测任务相似的合成任务。实验表明，课程学习对 LSTM 的内部状态有积极影响，可以帮助构建有建设性的表示，特别是在训练数据有限的情况下可以发挥更大的作用。此外，当使用课程学习时，模型的大小也会显著提高。

    Nov, 2016

  • 时空线性：面向通用多元时间序列预测

    复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的 SpatioTemporal-Linear 框架优于深度学习技术中的线性模型和 Transformer 模型在多种观测和预测时长的数据集上的性能表现。

    Dec, 2023

  • 多模态时空预测的自监督学习

    通过自监督学习提出了一种新的多模态时空学习框架，称为 MoSSl，旨在从时间、空间和模态角度揭示潜在模式，并量化动态异质性。实验结果验证了我们方法相对于现有基线的优越性。

    May, 2024

  • 多模态图像的动态任务和权重优先课程学习

    探索使用多模式深度学习模型与课程学习方法进行灾后分析，提出一种新颖的课程学习方法（DATWEP）自动决定任务难度，通过 DATWEP 的整合，加强了视觉问答（VQA）性能。

    Oct, 2023

  • 面向时空序列预测的机器学习：综述

    通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。

    Aug, 2018

  • 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