發(fā)簡信
IP屬地：陜西
-
attention
1.什么是注意力機制 2.attention綜述 3.attention
-
Time series forecasting of petroleum production using deep LSTM recurrent networks針對問題：時間序列預(yù)測。LSTM的淺層架構(gòu)無法有效地表示時間序列數(shù)據(jù)的復(fù)雜特征，尤其是高度非線性和長間隔時間序列數(shù)據(jù)集。 提出模型：deep-L...
-
Unsupervised pre-training of a Deep LStM-based Stacked Autoencoder for Multivariate time Series f...問題背景：deepLSTM模型在建模多元時間序列（MTS）性能有待提高，尤其是高度非線性和長間隔的MTS數(shù)據(jù)集。原因：監(jiān)督學(xué)習(xí)方法在RNN中隨機...
-
STRUCTURED SEQUENCE MODELING WITH GRAPH CONVOLUTIONAL RECURRENT NETWORKS針對問題：結(jié)構(gòu)化序列 structured sequences（如，時空序列）. 提出模型：GCRN. 圖＋CNN——識別空間結(jié)構(gòu)，RNN——查...
-
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting問題背景：交通流量預(yù)測忽略時空依賴性。 提出模型：Spatio-Temporal Graph Convolutional Networks (S...
-
DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING針對問題：交通預(yù)測。 提出模型：擴散卷積遞歸神經(jīng)網(wǎng)絡(luò)（DCRNN）。DCRNN在圖形上使用雙向隨機步捕獲空間依賴性，并使用計劃采樣的編碼器-解碼...
-
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Lin用于流量預(yù)測的時序圖卷積 問題背景：交通流量預(yù)測。 提出模型：為了同時捕獲空間和時間相關(guān)性，提出了時間圖卷積網(wǎng)絡(luò)（T-GCN）模型，即將圖卷積網(wǎng)...
-
An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling對RNN和CNN進行比較 時間卷積網(wǎng)絡(luò)TCN代碼：GitHub - locuslab/TCN: Sequence modeling benchm...
-
Unveiling the predictive power of static structure in glassy systems問題背景：預(yù)測玻璃態(tài)系統(tǒng)中的靜態(tài)結(jié)構(gòu)變化 提出模型：使用圖神經(jīng)網(wǎng)絡(luò)，僅從初始粒子位置確定玻璃態(tài)系統(tǒng)的長期演化，而沒有任何手工特征。 通過我們的網(wǎng)...