目 录CONTENT
以下是
MTS表示学习
相关的文章
-
-
【时间序列-论文解读】用于深度时空图建模的 Graph WaveNet 时空图建模是分析系统中组件的空间关系和时间趋势的一项重要任务。假设实体之间的底层关系是预先确定的，现有方法大多捕获对固定图结构的空间依赖性。但是，显式的图结构（关系）不一定反映真正的依赖关系，并且由于数据中的不完整连接，可能会丢失真正的关系。此外，现有方法无法有效捕捉时间趋势，因为这些方法中使用的 RNN 或 CNN 无法捕捉远程时间序列。为了克服这些限制，我们在本文中提出了一种新颖的图神经网络架构 Graph WaveNet，用于时空图建模。通过开发一种新颖的自适应依赖矩阵并通过节点嵌入来学习它，我们的模型可以精确地捕获数据中隐藏的空间依赖关系。使用堆叠扩张的一维卷积组件，其感受野随着层数的增加呈指数增长，Graph WaveNet 能够处理非常长的序列。这两个组件无缝集成在一个统一的框架中，整个框架以端到端的方式学习。在两个公共交通网络数据集 METR-LA 和 PEMS-BAY 上的实验结果证明了我们算法的优越性能。
-
【时间序列-论文解读】用于序列建模的通用卷积和循环网络的实证评估 对于大多数深度学习从业者来说，序列建模是循环网络的代名词。然而最近的结果表明，卷积架构在音频合成和机器翻译等任务上的性能优于循环网络。给定一个新的序列建模任务或数据集，应该使用哪种架构？我们对用于序列建模的通用卷积和循环架构进行了系统评估。这些模型在广泛的标准任务中进行评估，这些标准任务通常用于对循环网络进行基准测试。我们的结果表明，简单的卷积架构在各种任务和数据集上都优于典型的循环网络，例如 LSTM，同时展示了更长的有效记忆。我们得出结论，应该重新考虑序列建模和循环网络之间的共同关联，并且应该将卷积网络视为序列建模任务的自然起点。