- 利用课程学习增强时空分位数预测:经验教训
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 - 弹性参数推断空时霍克斯过程
发展一种快速灵活的参数推理技术,以恢复涉及空间 - 时间 Hawkes 过程的强度函数中的内核函数的参数。
- 时序和时空数据扩散模型调查
本篇综述论文全面而彻底地回顾了扩散模型在时间序列和时空数据分析中的应用,通过按照模型类别、任务类型、数据模态和实际应用领域进行分类,提供了对这些模型分析和生成数据的基本了解,旨在为研究人员和从业者提供一个全面的扩散模型应用的理解,以解决传统 - 基于统一回放的连续学习框架在流数据上的时空预测
在无线和移动设备的广泛部署导致了时空数据的大量产生,我们提出了一个统一的回放式持续学习框架,用于实现对流数据的时空预测,避免灾难性遗忘并提高性能。
- 带频率正则化的监督低秩半非负矩阵分解用于时空数据预测
使用监督半非负矩阵分解和频率正则化的新方法,提出了一种预测时空数据的新方法。通过矩阵分解将时空数据分解为空间和时间分量,并引入非负性约束和频率域的正则化来改善时态模式的清晰度。通过在频率域中选择特征,提供了更便于解释的频率域解释。该方法在地 - 基于电生理数据的神经元相互作用映射和预测的储备计算模型
用电生理测量数据构建了计算模型,基于储水池计算网络(Reservoir Computing Network,RCN)架构,通过预测网络连接性地图和局部刺激的网络响应来重构神经元网络结构。
- 大型时间序列和时空数据模型:调查和展望
通过收集相关数据集、模型资产和有用工具,我们提供了面向时间序列和时空数据的大规模模型研究的最新进展,强调其坚实的基础、当前的进展、实际应用、丰富资源和未来的研究机会。
- 学习动态图神经网络的邻接矩阵
使用块邻接矩阵(BA)的概念来表示时空数据,通过引入编码器块学习缺失的时序连接,生成丰富的时空块邻接矩阵(STBAM),再借助图神经网络(GNN)来捕捉复杂的时空拓扑,并在实验中表现出卓越的结果和低计算复杂度。
- 基于信息融合的动态时空摘要
我们提出了一种动态时空数据汇总技术,它能够识别关键时间步骤中的信息特征并融合不太相关的特征,从而在保留数据动态性的同时最小化存储需求。利用信息论度量指导融合过程,我们展示了该技术在多样化数据集中的灵活性,并在粒子流模拟、安全监控应用和免疫系 - KDD基于时空对比自监督学习的 POI 级人群流推理
准确获取景点的人群流量对于有效的交通管理、公共服务和城市规划至关重要。然而,由于城市感知技术的限制,大多数数据来源的质量不足以监测每个景点的人群流量,从低质量数据推断准确的人群流量成为一项关键且具有挑战性的任务。为了应对这些挑战,我们将人群 - 使用时空再训练的语言模型检测社交媒体评论中的恐同 / 恐跨性别现象
该研究使用 BERT-based 语言模型开发了多类别分类系统,用于检测社交媒体评论中的恐同和恐 Trans 内容,跨五种语言条件:英语,西班牙语,印地语,马拉雅拉姆语和泰米尔语。发现使用时空相关的社交媒体语言数据可以提高语言分类系统的性能 - 深度神经网络的高效在线处理
本论文致力于提高神经网络的效率,提出了连续推理网络(CIN),它通过自下而上的计算重新组织和适度的架构修改来改善其在线处理效率,并采用 CIN 重构了几种广泛使用的网络架构,包括 3D CNN,ST-GCN 和 Transformer En - 基于信息损失约束的大规模公共安全时空数据高效分区方法
本文提出了一种基于信息损失约束的公共安全大规模时空数据的有效分区方法,可显著减少数据规模同时保持模型的准确性,以提高分区效率,同时确保分布式存储的负载平衡和数据时空相邻性。
- 球形傅里叶神经算子:在球面上学习稳定动态
本文介绍 Spherical FNOs 的概念,并将其应用于大气动力学,通过稳定的自回归推断保持物理上的合理动态,这将对机器学习模拟气候动力学有重要的实际应用。
- SERT:基于 Transformer 的用于环境监测的时空传感器数据填充模型
通过使用 SERT 和 SST-ANN 模型,可以在不需要插补的情况下处理多变量稀疏时间序列,适用于环境监测中的数据预测。
- WWW自动化时空图对比学习
本文介绍了一种 Automated Spatio-Temporal graph contrastive learning(AutoST)的方法,在考虑到多视图数据源的情况下,结合异构图神经架构,通过参数化的对比视图生成器来设计自动的时空增强 - 广义广义线性模型:凸估计和在线界限
提出一个计算新框架以估算广义广义线性模型 (GGLM) 中的参数,该模型扩展了流行的广义线性模型 (GLM) 以解释时空数据中的观测依赖性。该方法使用单调算子为基础的变分不等式方法来克服参数估计中的非凸性并提供参数恢复的保证,适用于 GLM - 探究无监督视频异常检测的扩散模型
本研究探究了扩散模型在不使用数据注释的情况下,用于视频异常检测的性能。实验结果表明,该方法优于现有的生成模型,并且是第一项使用扩散模型并研究其参数影响的研究。
- 区域风特征对基于 CNN 的风速预测的影响:来自时空相关性分析的启示
本文探讨了加入时空数据维度如何提高神经网络开发的风力预测模型的精度,并提出了 3D-CNN 模型的预测能力与时空风现象的关联分析。
- 基于差分隐私标签比例的分布式 LSTM 学习
该论文提出了两个有效模型,利用差分隐私和去中心化 LSTM 学习,以解决数据隐私、通信带宽和从时空数据中学习的问题,并在 Pems-Bay 和 METR-LA 数据集上进行了评估,同时提供了基于 LuST 的自有数据集,评估结果显示了性能与