transfer entropy | BriefGPT

关键词transfer entropy

搜索结果 - 10

通过转移熵加速卷积神经网络的学习
将传输熵（TE）引入卷积神经网络（CNN）架构的学习机制，通过随机选取部分神经元对的信息传输，以实现计算开销与准确性之间的平衡。
PDF3 months ago
深度学习中的信息平面分析可视化通过传递熵
在一个前馈网络中，可以使用传递熵（TE）来衡量一层对另一层的影响，通过在训练期间量化它们之间的信息传递。通过在输入数据中的信息量与压缩表示之间绘制图表来理解信息瓶颈方法中压缩和信息保留之间的权衡，这被称为信息平面分析。我们使用 TE 来量化
PDF3 months ago
TREET: 基于 Transformer 的传递熵估计
提出了一种基于 Transformer 的新系统，用于估计稳态过程中的传递熵。通过使用注意力机制进行神经估计，该方法借助 Donsker-Vardhan 表示来估计传递熵，并与现有方法进行了比较，同时还设计了估计传递熵的优化方案。最后，该方
PDF5 months ago
能源效率的根本原因分析与转移熵流
本研究提出使用传输熵（TE）进行工业系统能效的根本原因分析，通过建立一种称为 TE 流的方法来诊断能效异常状态的根本原因，并利用基于 Copula 熵的非参数 TE 估计方法进行实证研究，实验证明 TE 流方法成功识别了系统能效的根本原因。
PDF6 months ago
多变量时间序列异常检测的熵因果图
本文提出了一种名为 CGAD 的新框架，用于多变量时间序列异常检测，利用传递熵构建反映时间序列数据中潜在因果关系的图结构。通过加权图卷积网络和因果卷积模型多变量时间序列数据中的因果图结构和时间模式。此外，CGAD 还应用异常得分和基于中值绝
PDF7 months ago
通过传输熵进行因果特征选择
我们提出了一种新颖的方法，结合了特征选择和因果发现，专注于时间序列，通过使用前向和后向特征选择程序，并利用传递熵来估计从特征到目标的因果信息流，实现了特征的选择不仅仅基于模型性能，还捕捉到因果信息流。
PDF9 months ago
具有非均匀嵌入和显式验证阶段的神经网络用于评估 Granger 因果关系
本文提出了一种基于神经网络方法的动力学系统研究方法，避免了传统模型建立过程中的假设。实验表明，该方法能够正确检测时间序列系统的动态信息流，尤其是在涉及冗余变量的情况下具有显著的优越性。
PDF9 years ago
社交媒体中的信息传递
本文通过应用信息传递的转移熵概念，提出了一种测量节点之间因果关系的理论基础的方法。通过分析合成和真实世界数据，证明了转移熵可以揭示有意义的隐藏网络结构，并能够区分大群体的弱影响和小团体的强影响。
PDF13 years ago
高斯变量下的格兰杰因果和转移熵等价
本文介绍了格兰杰因果关系和转移熵这两种数据驱动因果推断方法之间的关系，并证明了它们在高斯变量情况下是等价的。
PDF15 years ago
信息传输的测量
本研究提出一种信息论度量方法对时间演化系统间的统计相关性进行量化，通过迁移概率的适当条件化排除共同历史和输入信号对信息交换的影响，从而得到的传输熵可以区分驱动和响应元件，并检测子系统间的不对称性。
PDF24 years ago