- 时序图中神经消息传递的顺序模式推理
我们提出了 HYPA-DBGNN,一种新颖的两步方法,它结合了(i)基于统计学原则的零模型对图上时间序列数据中的异常顺序模式进行推断,(ii)利用捕捉到过度出现的顺序模式的高阶 De Bruijn 图的神经信息传递方法。
- WindowMixer:时间序列预测中的窗口内和窗口间建模
基于全 MLP 框架,WindowMixer 模型通过窗口视角检查时间序列的时间变化,将时间序列分解为趋势和季节性组件,并使用 Intra-Window-Mixer 和 Inter-Window-Mixer 模块处理窗口间和窗口内的关系,从 - 时间序列预测的自适应多尺度分解框架
我们提出了一种新颖的基于 MLP 的自适应多尺度分解 (AMD) 框架用于时间序列预测,该框架在多个尺度上将时间序列分解为不同的时间模式,并利用多尺度分解混合 (MDM) 模块将这些模式进行拆分和聚合,通过双重依赖交互 (DDI) 模块和自 - SIGIRReCODE:用神经 ODE 模型重复消费行为
利用神经 ODE 模型再现用户在实际推荐系统中的重复消费行为,以捕捉时间间隔的动态模式,并结合静态偏好预测模块,对用户在特定情境下的个性化偏好进行综合建模。实验证明,该模型明显提高基准模型的性能,并优于其他对比方法。
- 使用概念器实现循环神经网络的自适应控制
本文展示了通过将网络的某些部分保持适应性,即使在训练之后,增强了其功能和稳健性,并且展示了适应性网络在插值、网络部分退化稳定化和输入扭曲鲁棒性方面的计算功能,同时强调了适应性网络在机器学习中的潜力,使其不仅能学习复杂模式,还能动态调整以适应 - 借助 Cartogram 辅助的深度学习提升开放系统中的需求预测
我们提出了一种深度学习框架来预测公共自行车租赁和归还模式,通过利用卡图法来实现对新安装站点需求以及长期预测的预测,我们在首尔,南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。
- 推荐算法的去噪时间循环建模
用户行为的时间模式建模引起推荐系统的广泛关注。本文提出了去噪时间循环建模(DiCycle)方法,通过去除与目标项目无关的用户行为噪声,选择与目标项目高度相关的用户行为子集,并明确地建模多样化的时间循环模式来进行推荐,实验证明 DiCycle - 电影中的视觉物体化:走向视频解读的新 AI 任务
这篇研究论文介绍了一项新颖的视频解释任务,旨在检测电影中的角色物体化现象,通过引入 ObyGaze12 数据集,验证了近期视觉模型的可行性,并展示了任务的挑战以及概念瓶颈模型的应用。
- MSHyper:多尺度超图变换器用于长程时间序列预测
使用多尺度超图转换器(MSHyper)框架,提出了一种更全面的模式交互建模方法,通过引入多尺度超图和超边图来建模高阶模式交互,同时引入三阶段消息传递机制来聚合模式信息和学习不同尺度时间模式之间的交互强度。实验证明,MSHyper 在五个真实 - AAAI将时间知识图嵌入异构几何子空间的产品空间中
时态知识图谱以丰富的静态和动态时间模式为基础,并采用嵌入方法将时间事实映射到几个具有不同几何属性的异构几何子空间,并利用时间 - 几何注意机制方便地整合来自不同几何子空间的信息。
- 长期时间序列预测的线性专家混合模型
使用 Mixture-of-Linear-Experts (MoLE) 方法可以降低线性中心模型的预测误差,并在大多数数据集和设置上实现最先进的长期时间序列预测结果。
- KDDTPRNN:一种自顶向下的金字塔循环神经网络用于时间序列预测
该论文提出了一种用于时间序列预测的自上而下的金字塔式递归神经网络 TPRNN,通过构建不同尺度的子序列并执行多尺度信息交互模块,模拟了时间序列中多尺度时间模式的完整建模,实验证明 TPRNN 在七个真实世界数据集上取得了领先水平,相对最佳基 - 时间嵌入:基于时空数据的可扩展无监督时序表征学习,用于多模态计算机视觉
地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法,基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域,然后通过压缩自编码器转换为与任务无关的时间嵌入,该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割 - SWoTTeD:一种临床时间表征的张量分解扩展
该论文介绍了一种名为 SWoTTeD 的方法,它是一种用于发现隐藏的时间模式的新方法,该方法通过集成多个限制和正则化来提高提取的时间表型的解释性。
- 基于社交媒体属性的关键词检测:Sina 微博上的 IDF-LDA 模型应用
本文提出了一种基于 IDF 和 LDA 模型相结合的方法,以更好地应对社交媒体数据的不同属性,通过基于点赞数、评论数和转发数等属性来加权每个文档的重要性,从而有效地检测出越来越具有代表性的关键词,实验证明该方法在各种评估指标,包括多个问题设 - ACL忘却之知:探讨 NLP 领域里的引用失忆症
通过分析大约 71.5K 篇论文,系统而实证地研究了引文的广泛时空模式,重点关注了 NLP 领域,发现引用文献的年代多集中在最近 5 年,而且引用多样性呈下降趋势,最近十年高引用论文的引文多样性也较低。
- SPOT:具有元学习的临床试验结果序列预测建模
为了提高临床试验的准确度和可解释性,我们提出了一种基于历史试验数据的序列预测临床试验结果的方法,SPOT(Sequential Predictive mOdeling of clinical Trial outcome),它使用话题发现模块 - KDDTSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测
本研究提出 TSI-GAN,一种用于时序数据的无监督异常检测模型,可以自动学习复杂的时间模式并广义于不同数据集,通过将每个输入时间序列转换为二维图像序列,并使用具有逆映射准确性的重建型 GAN 进行训练,以及后处理中应用 Hodrick-P - 基于动态图预测的多元时间序列异常检测
本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD,通过利用图的演化特性辅助图和时间序列预测任务,从而根据跨序列关系和时间模式的偏离来检测异常状态,并在实际数据集上验证了其胜过基线异常检测方法的性能。
- G-CMP: 基于图增强的上下文矩阵剖面,用于无监督的基于传感器的远程健康监测中的异常检测
本研究介绍了一种基于传感器的远程健康监测方法,使用上下文矩阵剖面(CMP)的配置版来检测噪声环境下的异常事件和不良健康状况,同时提出了一种基于图形的异常检测方法,能够编码时间上下文的异常性,有效地辨识、监测与预警真正的异常状况。