- 基于病变感知的多相 CT 扫描肾肿瘤亚型分类的交叉相位注意力网络
提出了一种新的病变感知跨阶段注意力网络(LACPANet),可以有效地捕捉肾脏病变在多期 CT 阶段之间的时间依赖关系,从时间序列多相 CT 图像中准确分类肾脏病变为五个主要病理亚型,并在诊断准确性方面超越了现有方法。
- 预测扩散模型综合多模态电子健康记录
通过引入基于扩散的 EHR 数据生成模型 EHRPD 来解决电子健康记录数据生成中存在的局限性,并从真实性、隐私性和实用性的角度对其进行实验验证。
- 考虑多层次时空信息的交通预测:基于多尺度图小波的方法
通过使用多尺度图小波时域卷积网络 (MSGWTCN) 模型,同时捕捉不同层次的空间信息和提取数据的时间依赖性,可以更好地预测复杂交通网络中的交通状态,并在实验中证明了该模型的卓越表现。
- 交通预测中的时空变换器的再思考:多层多视角增强学习框架
本文提出了一种多层多视图增强时空 Transformer(LVSTformer)用于交通预测,该模型旨在从局部地理、全局语义和关键节点三个不同层次捕获空间依赖性,同时还具备长期和短期的时间依赖性,通过结合三种空间增强视图与三个并行空间自注意 - 自适应时间动作引导的图卷积网络用于微表情识别
提出了一种名为自适应时间运动引导图卷积网络(ATM-GCN)的微表情识别框架,该框架在整个剪辑中捕获帧之间的时间依赖关系,从而增强了剪辑级别的微表情识别能力。实验证明,ATM-GCN 不仅在 Composite 数据集上超过现有的最先进方法 - 一种用于密集多标签动作检测的有效高效方法
通过在转换器层中嵌入相对位置编码和非分层结构来解决密集多标签场景下同时学习时间依赖和共现动作关系的挑战,并通过引入一种新的学习范式,以在推断期间不施加额外计算成本的方式显式建模时间共现动作依赖性。
- TDT 损失全能:将目标之间的时间依赖性纳入非自回归时间序列预测
通过采用差分方法表示 TDT 并提出了一种无参数的插拔式解决方案 TDT Loss,该解决方案通过适应权重动态平衡目标预测和精细化 TDT 拟合,从而显著提高了非自回归模型的预测性能。
- 多通道时空变换器模型的交通流量预测
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制 - CVTN:交叉变量和时间一体化用于时间序列预测
使用 Cross-Variable and Time Network (CVTN) 方法来解决多变量时间序列预测中的特征挖掘和避免过拟合的挑战,并在各种真实数据集上证实了其卓越性能。该方法强调时间序列预测的短期和长期性质、从历史和预测序列中 - 动态图神经网络调查
图神经网络已成为从图结构数据中有效挖掘和学习的强大工具,但大多数研究侧重于静态图,忽视了真实世界网络的动态特性,该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。
- CVPRVidLA: 视频 - 语言对齐的大规模实现
我们提出了 VidLA,这是一种用于大规模视频 - 语言对齐的方法,通过在不同时间分辨率上使用一组数据令牌,以层次化的方式捕捉短程和长程的时间依赖关系,并通过简单的双塔架构,使用预训练的图像 - 文本基础模型来提高最终性能。此外,我们利用最 - 学习使用快速权重编程变分量子电路
引入量子快速权重程序 (QFWP) 作为解决时间或序列学习挑战的方法。
- MSPipe: 基于时效感知流水线的高效时间 GNN 训练
提出了 MSPipe,一种提高 MTGNN 训练效率的通用且高效的框架,通过将陈旧性整合到内存模块中,通过在线管道调度算法可以在降低陈旧度的同时打破时间依赖,提高内存获取效率,增强训练稳定性和模型准确性。实验结果显示,MSPipe 在不损失 - IJCAI在数据约束下,利用平方 Sigmoid TanH(SST)激活增强顺序模型性能
我们提出了一种名为 SST 激活函数的方法,用于增强顺序模型在数据约束下的学习能力,并通过对手势语言识别、回归和时间序列分类等任务的实验验证,表明 SST 模型相比基线激活的循环神经网络模型具有更好的测试准确性。
- PRES:面向可扩展内存的动态图神经网络
研究了在大规模时间批处理的情况下,高效训练 MDGNNs 的方法,主要解决了时间不连续性的问题,并提出了 PRES 方法来实现更大的时间批处理,快速训练 MDGNNs。
- ICLR长时嘈杂视频的多粒度对应关系学习
该研究通过提出 NOise Robust Temporal Optimal traNsport (Norton) 框架,解决了视频和语言之间的 MNC 问题,通过音频固定运输(OT)框架捕捉长期依赖关系,并通过过滤无关片段和标题来对齐异步片 - 关于微分方程启发的图神经网络的时域
本文提出了一种名为 TDE-GNN 的模型,它可以捕捉超过典型的一阶或二阶方法的各种时间动力学,并提供了现有时间模型难以处理的用例。通过在几个图形基准上学习时间依赖性,我们证明了使用我们的方法学习时间依赖性而不是使用预定义时间动态的好处。
- AAAIU-Mixer: 一种带有站点校正的时间序列预测 Unet-Mixer 结构
通过结合 Unet 和 Mixer 的方法,U-Mixer 框架能够有效地捕捉不同补丁和通道之间的局部时间依赖关系,以避免通道之间分布变化的影响,并合并低级别和高级别特征以获取全面的数据表示,从而解决时间序列预测中的非平稳性挑战。该研究通过 - 通过高斯过程模糊效应进行细粒度的预测模型
通过在时间序列预测中引入端对端的预测和去噪范式,我们提出了一种端对端预测 - 模糊 - 去噪的预测框架,通过鼓励预测模型和去噪模型之间的分工,以提高预测的准确性。经过大量实验证明,我们的方法能够改善多种先进预测模型和去噪方法的预测准确性。
- 关于相关数据概念漂移的一点注记
概念漂移对机器学习模型产生不准确的影响,并且在流式数据背景下,多数研究假设连续的数据点之间是独立的。本研究发现时序依赖性对采样过程有很大影响,因此需要对现有定义进行重大修改,特别是平稳性的概念不适用于这种设置,而需要探讨替代方案。通过数值实