multivariate time-series data | BriefGPT

关键词multivariate time-series data

搜索结果 - 8

K-Link: 基于 LLMs 的知识链接图在多变量时间序列数据的增强表示学习中的应用
使用大型语言模型构建知识链接图，并通过图对齐模块将知识链接图的语义知识转化为基于多元时间序列数据构建的图，以提高图质量，并确保图神经网络在多元时间序列数据的表示学习中具备有效性，并通过大量实验证明了该方法在多元时间序列相关任务中的卓越性能。
PDF4 months ago
TimeDRL：多变量时序数据的解缠结表示学习
TimeDRL 是一个通用的多变量时间序列表示学习框架，通过解耦的双层嵌入技术，利用预测和对比损失来学习时间戳级别和实例级别的嵌入，避免了数据增强方法引起的归纳偏差，并在多个实验中表现出优于现有方法的性能。
PDF7 months ago
HFN: 多元时间序列异常检测的异构特征网络
提出了一种基于异构特征网络（HFN）的半监督异常检测框架，利用大量无标签的时间序列数据学习异构结构信息，使用注意力系数对检测到的异常进行说明，并在真实世界应用的四个传感器数据集上进行实验证明，其检测精度优于现有的基线方法。
PDF2 years ago
MM基于自编码器的迭代建模与多元时间序列子序列聚类算法
本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，
PDF2 years ago
深度学习异常模型的需求获取和规范化：以无人机飞行控制器应用为例
该研究提出了 RESAM，它是一种集成领域专家知识、讨论论坛和正式产品文档的需求过程，用于发现和指定构建有效深度学习异常检测器的时间序列属性的需求和设计定义。以小型无人机飞行控制系统为案例进行了研究，并演示了 RESAM 的使用在构建有效异
PDF2 years ago
GRU-TV: 基于时间和速度感知的 GRU 模型用于多变量临床时间序列数据的病人表示
本研究提出了一种基于时间和速度敏感的门控循环单元模型 (GRU-TV)，用于连续时间学习临床多变量时间序列数据的患者表征。通过神经常微分方程和速度感知机制，实现了感知相邻记录之间的时间间隔和患者生理状态的变化率。实验结果表明，GRU-TV
PDF2 years ago
TranAD: 多元时间序列异常检测的深度 Transformer 网络
本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时
PDF2 years ago
自监督变压器用于稀疏和不规则采样的多元临床时间序列
提出了一种基于自监督变压器的多元时间序列数据建模方法，使用连续值嵌入技术对连续时间和变量值进行编码，避免了聚合或插值旧方法带来的问题，并利用自监督学习处理有限标记数据情况下的预测问题。在真实的多元临床时间序列基准数据集上进行了实验证明该方法
PDF3 years ago