关键词sequential dependencies
搜索结果 - 8
- 语言模型对时间序列预测是否真的有用?
在大型语言模型中,尤其是在时间序列预测方面,进行了一系列消融研究,发现移除语言模型组件或用基本的注意力层替换并不降低预测结果,甚至在大多数情况下结果有所提升。此外,预训练的语言模型并不比从头开始训练的模型更好,不能准确表示时间序列中的顺序依 - 数据随时变化:从过程事件日志中发现数据修改规则
基于事件日志,我们旨在找到准确而简洁可解释的 if-then 规则,描述过程如何修改数据。我们使用 MDL 原则正式定义问题,并提出贪婪的 Moody 算法来高效搜索规则。通过对合成的和真实世界数据的广泛实验,我们展示了 Moody 确实可 - KDDCSCLog:一种组件子序列相关性感知的日志异常检测方法
基于系统日志的异常检测在智能运维中起着重要作用,传统方法中忽略了子序列之间的交互。本文提出了 CSCLog 方法,通过提取基于组件的子序列并利用 LSTM 网络捕捉子序列的顺序依赖性,引入了隐式关联编码器来自适应地建模子序列的隐式关联性,并 - 人工智能团队中的统计先动态建模所需的信任感知用户模拟器开发
本文研究了人工智能和人类协作的关键问题,提出了基于语料库的用户模拟器用于协同人 - AI 团队之间的有效沟通和合作,比较了两种不同的模拟方法,以寻找最佳的主动策略。
- ICLR序列建模的长记忆
提出了一种名为长表达记忆(LEM)的新方法,用于学习长期顺序依赖关系,它可以通过梯度进行高效处理并且具有足够的表达能力,能够学习复杂的输入输出映射,通过实验验证了 LEM 在图像分类、时间序列分类、语音识别、语言建模等任务中的优越性。
- 学习多级依赖关系以提高鲁棒性词识别
本文提出了一个鲁棒的单词识别框架,该框架捕捉了加噪句子中的多级序列依赖关系。该框架采用了每个单词字符的序列到序列模型,其输出被提供给一个单词级别的双向递归神经网络。我们进行了大量的实验验证了该框架的有效性。结果表明,该框架的性能较其他现有方 - 未来数据助力训练:为基于会话的推荐建模未来上下文
我们提出了一种新的编码器 - 解码器框架 —— 基于填充缺失数据的推荐系统(GRec),通过缺失项填充机制来训练编码器和解码器,并考虑了精度和效率。实验表明,GRec 显著优于现有的序列推荐方法,并且未来的上下文对推荐的效用有很大的影响。
- AAAI可解释推理知识图谱推荐
本文提出了利用知识图谱的路径循环神经网络模型(Knowledge-aware Path Recurrent Network),该模型可以通过组合实体和关系的语义生成路径表示,并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。