适用于时间数据分析的经常性随机配置网络
本文提出了一种用于神经网络的随机化方法,即随机配置网络,其采用随机分配输入权重和偏差节点的方法,以监督机制为基础,通过分析地计算输出权重,建立了三种回归问题的版本。研究结果显示,该方法具有较少人为干预的优点,可自适应随机参数设定,学习速度快,泛化能力强。
Feb, 2017
本文提出了一种新的 STCN 体系结构,其将时间卷积网络(TCN)的计算优势与具有不同时间尺度的时间依赖性的随机潜在空间的表示能力和鲁棒性相结合,提高了多个任务的对数似然度,并且在手写文本建模中能够预测长时间跨度内的高质量合成样本。
Feb, 2019
基于随机配置机器 (SCMs) 的新的随机学习器模型被提出,以实现有效建模和数据尺寸节省,适用于工业应用。SCMs 的模型存储可以显著压缩,同时保持良好的预测性能,对于处理工业数据分析有很大潜力。
Aug, 2023
本文介绍一种基于变分推断的循环神经网络模型 ——Stochastic Recurrent Network(STORN),通过引入潜变量来提高循环神经网络的性能,实现了结构化和多模态条件下的建模。作者在四个多声部音乐数据集和运动捕捉数据上对该模型进行了评估。
Nov, 2014
提出了一种新颖且可解释的循环神经网络结构,采用回声态网络(ESN)范例进行时间序列预测,并通过较小的并行储备池驱动不同输入组合的特征,非线性组合以产生输出,其预测能力表现优于传统单储备池 ESN。
Mar, 2024
该文提出了一种递归控制递归网络 (RCRN) 架构,利用递归网络学习递归门控函数,将其用于不同自然语言处理任务,结果表明 RCRN 在比双向 LSTM 和双向 LSTM 堆叠表现更好,具有代替双向 LSTM 堆叠的潜力。
Nov, 2018
提出了一种基于运动预测领域知识的网络网格表示方法,将网络整体交通速度转换为静态图像,并输入一种新的深度体系结构 —— 时空循环卷积网络 (SRCNs),可以用于交通预测,实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。
May, 2017