1.什么是注意力機制 2.attention綜述 3.attention
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...
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...
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...
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...
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...
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)...
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...
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)...