- ST-DPGAN:一种隐私保护的时空数据生成框架
提出了一种基于图神经网络生成隐私保护的时空数据的模型,利用空间和时间注意力模块以及时空卷积结构实现了高效的差分隐私训练。通过在真实的时空数据集上进行广泛实验验证了该模型的有效性,能够保证数据的隐私性同时保持数据的实用性,由该生成数据训练的预 - CityGPT:面向多智能体系统的城市物联网学习、分析与交互
通过智能化系统,结合大规模感知器在物联网中产生的时空数据,我们提出了一种名为 CityGPT 的通用框架,以实现对物联网时间序列数据的学习和分析,从而增加公众对数据的洞察力,并在物联网计算中保证了稳健性能。
- CFD 应用数据降维的机器学习技术
使用保证误差界限的保证块自编码器(GBATC)方法,通过张量相关性(Tensor Correlations)减少计算流体力学(CFD)等科学应用程序产生的时空数据。该方法使用一个多维张量块(跨越空间和时间)作为输入和输出,捕捉张量内的时空和 - 基于变分模式分解的非平稳相干结构分析方法对于时空数据
该文章介绍了一种基于变分模态分解的非平稳相干结构分析方法,能够从高维时空数据中提取和分析非平稳现象中的相干结构,该方法对时空分布的时变性进行了建模,并验证了其在流体力学中的应用。
- GATGPT:基于图注意力网络的预训练大型语言模型用于时空填补
在本研究中,我们提出了一种创新方法 GATGPT,它将已训练好的大型语言模型(LLM)与图注意机制相结合,用于时空插补。我们保持大部分 LLM 参数不变,以利用现有知识学习时间模式,并针对不同应用程序调整上层的微调。图注意组件增强了 LLM - KDD时空数据的深度学习不确定性量化:挑战与机遇
通过深度学习对时空数据进行不确定性量化,可以解决在高风险决策应用中出现的预测错误问题,并为未来的研究方向提供了潜在的机会。
- 深度学习在时空大数据上的应用:机遇与挑战展望
使用 GPS、遥感和计算模拟等技术,收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据,结合深度学习技术,开创解决以往无法解决的问题的新机遇并提出未来的研究需求。
- 利用基于事件的视觉技术追踪从活跃小行星 Bennu 喷射出的微粒
该研究论文介绍了一种基于事件的解决方案,利用科学事件相机重建小型太阳系天体附近观测到的颗粒喷出事件,并提供了用于未来事件驱动多目标追踪的时空数据。
- 使用 C-VAEs 重构时空数据
本文提出在烧毁的森林火灾数据集上使用条件变分自编码器(C-VAE)模型来生成连续的、平滑的、现实的移动区域代表,与手动注释的数据结果相比,该方法表现出竞争性的几何相似性度量,在时间保持一致性方面也表现出更好的表现。
- 基于图神经网络的时空数据处理:方法与应用
文章介绍了大数据背景下基于图神经网络的空时数据建模和应用,系统地概述了从构建空时图到使用不同神经网络算法进行数据处理和分析的过程,并总结了当前研究的技术和应用,进一步探讨了未来的研究方向和挑战。
- 通过 L1-L2 优化实现结构化模型选择
该研究提出了一种学习方法,通过稀疏最小二乘拟合和非凸 l1-l2 稀疏优化解决器来鉴定结构动力系统,该方法基于科学工程中的自动模型选择应用,研究了少样本和噪声空时数据的识别问题。
- 深度时空聚类:一种针对多维气候数据的时间聚类方法
利用 DSC 算法,结合 CNN-RNN 模型学习数据的空间和时间特征,通过聚类和数据重构误差优化来实现高维时空数据的无监督聚类,并在气候数据上的实验结果表明,该方法的效果要优于现有的无监督聚类算法。
- 基于时空依赖的交通数据插值的深度学习框架
本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据,并就现有方法存在的问题提出了改进方案。
- AutoML 用于气候变化:行动号召
本文讨论气候变化人工智能的应用,评估了自动机器学习技术在三个高影响的气候变化应用领域的性能,并发现当前的自动机器学习库未能显著超越人设计的模型,但存在一些关键弱点,其中之一是当前大部分自动机器学习技术都是为计算机视觉和自然语言处理应用设计的 - 时空数据不确定性量化的共形方法综述
本文调查了最近的深度学习方面的不确定性量化的研究,特别关注了具有数学特性和广泛适用性的无分布符合预测方法,介绍了相关技术和在时空数据背景下提高校准和效率的方法,并讨论了不确定性量化在安全决策方面的作用。
- KDDSoccerMap:用于足球视觉可解释分析的深度学习架构
提出了一种完全卷积神经网络架构,可估计来自高频时空数据的足球可能传递的全概率面,能够适应于多种实际足球问题,如风险评估、应用可能的传递选项等。
- 多维时间序列预测的贝叶斯时态分解
本文提出了一种贝叶斯时间分解(BTF)框架,用于在存在缺失值的情况下对多维时间序列进行建模,通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中,该框架可以表征大规模时间序列数据中的全局和局部一致性,并开发了有效 - 深度隐式物理模型:非线性偏微分方程的深度学习
本文提出了一种基于深度学习的方法,可以从散乱的、有可能带有噪声的时空数据中,发现非线性偏微分方程,该方法通过两个深度神经网络来近似未知解和非线性动力学,并测试了其在多个科学领域的效果。
- ICCV视觉跟踪的循环滤波学习
本研究提出了一种递归滤波器生成方法来进行视觉跟踪,直接将目标的图像块作为输入,使用递归神经网络来生成一个特定于目标的滤波器,通过将 RNN 中的全连接层的矩阵乘法扩展到特征图上的卷积运算,对目标的空间结构进行保留和内存优化。