1.什么是注意力機(jī)制 2.attention綜述 3.attention
發(fā)簡信
IP屬地：陜西
-
Time series forecasting of petroleum production using deep LSTM recurrent networks針對(duì)問題：時(shí)間序列預(yù)測(cè)。LSTM的淺層架構(gòu)無法有效地表示時(shí)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(shí)間序列數(shù)據(jù)集。 提出模型：deep-LSTM（DLSTM）可以適應(yīng)學(xué)...
-
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(shí)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(jī)初始化神經(jīng)元，從而使最終必須正...
-
STRUCTURED SEQUENCE MODELING WITH GRAPH CONVOLUTIONAL RECURRENT NETWORKS針對(duì)問題：結(jié)構(gòu)化序列 structured sequences（如，時(shí)空序列）. 提出模型：GCRN. 圖＋CNN——識(shí)別空間結(jié)構(gòu)，RNN——查找動(dòng)態(tài)模式。 研究兩種Grap...
-
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting問題背景：交通流量預(yù)測(cè)忽略時(shí)空依賴性。 提出模型：Spatio-Temporal Graph Convolutional Networks (STGCN)。instead o...
-
DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING針對(duì)問題：交通預(yù)測(cè)。 提出模型：擴(kuò)散卷積遞歸神經(jīng)網(wǎng)絡(luò)（DCRNN）。DCRNN在圖形上使用雙向隨機(jī)步捕獲空間依賴性，并使用計(jì)劃采樣的編碼器-解碼器結(jié)構(gòu)捕獲時(shí)間依賴性。 代碼G...
-
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Lin用于流量預(yù)測(cè)的時(shí)序圖卷積 問題背景：交通流量預(yù)測(cè)。 提出模型：為了同時(shí)捕獲空間和時(shí)間相關(guān)性，提出了時(shí)間圖卷積網(wǎng)絡(luò)（T-GCN）模型，即將圖卷積網(wǎng)絡(luò)（GCN）和GRU結(jié)合。GC...
-
An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling對(duì)RNN和CNN進(jìn)行比較 時(shí)間卷積網(wǎng)絡(luò)TCN代碼：GitHub - locuslab/TCN: Sequence modeling benchmarks and tempor...
-
Unveiling the predictive power of static structure in glassy systems問題背景：預(yù)測(cè)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)絡(luò)了解到的結(jié)構(gòu)預(yù)測(cè)變量顯示出相...
-
Automating Performance and Energy Consumption Analysis for Cloud Applications
問題背景：在云環(huán)境中，IT解決方案通過共享的基礎(chǔ)架構(gòu)交付給用戶，從而使云服務(wù)提供商可以根據(jù)用戶QoS（服務(wù)質(zhì)量）要求將應(yīng)用程序部署為服務(wù)。這種云模型的后果之一是大型云基礎(chǔ)架構(gòu)...
-
Data-Driven Construction of Data Center Graph of Things for Anomaly Detection用于異常檢測(cè)的數(shù)據(jù)中心圖的構(gòu)造 以根據(jù)傳感器的時(shí)間序列測(cè)量來構(gòu)建事物的DC圖（傳感器圖）。傳感器圖是無向加權(quán)屬性圖，其中傳感器是節(jié)點(diǎn)，傳感器特征是節(jié)點(diǎn)屬性，傳感器連接是邊。傳...
-
Multi-timescale forecast of solar irradiance based on multi-task learning and echo state network ...針對(duì)問題：多時(shí)間范圍mulct-timescales的太陽輻射預(yù)測(cè)。 提出模型：多任務(wù)學(xué)習(xí)機(jī)制研究multi-scale(MTS)預(yù)測(cè)，應(yīng)用回聲狀態(tài)網(wǎng)絡(luò)（ESN）。提出MTS...
-
LATEX 公式總結(jié)在論文寫作和博客中經(jīng)常需要大量數(shù)學(xué)公式，latex可以幫助我們把數(shù)學(xué)公式完整的編輯出來，并作出優(yōu)美的排版，我花了一些時(shí)間，綜合一些博客和網(wǎng)絡(luò)上的資料，做一個(gè)總結(jié)，方便自己查詢...
-
Daily pattern prediction based classification modeling approach for day- T ahead electricity pric...基于daily模式的分類模型，預(yù)測(cè)日前電價(jià) 針對(duì)問題：電價(jià)中不同模式顯示出不同映射關(guān)系，電價(jià)單變量預(yù)測(cè)誤差大。 提出模型：基于每日模式預(yù)測(cè)（daily pattern pre...
-
Dynamo: Facebook’s Data Center-Wide Power Management System針對(duì)問題：數(shù)據(jù)中心能耗利用率低——數(shù)據(jù)中心電力傳輸層次結(jié)構(gòu)過載和使斷路器跳閘的代價(jià)非常高，有可能導(dǎo)致長期服務(wù)中斷。 本文貢獻(xiàn)：1.表征數(shù)據(jù)中心各種工作負(fù)載的能耗變化。量化不同...
-
時(shí)間序列分析方法時(shí)間序列是指一組在連續(xù)時(shí)間上測(cè)得的數(shù)據(jù)，其在數(shù)學(xué)上的定義是一組向量x(t), t=0,1,2,3,...，其中t表示數(shù)據(jù)所在的時(shí)間點(diǎn)，x(t)是一組按時(shí)間順序（測(cè)得）排列的隨...
-
磁盤故障預(yù)測(cè)Predicting Disk Replacement towards Reliable Data Centers針對(duì)問題：預(yù)測(cè)磁盤故障 提出模型：1.使用時(shí)序中的changepoint檢測(cè)，識(shí)別即將替換的磁盤的SMART屬性。 2.通過將事件編碼成一個(gè)個(gè)點(diǎn)，把事件序列轉(zhuǎn)換為樣本集，從而...
-
能耗峰值建模Peak Power Modeling for Data Center Servers with Switched-Mode Power Supplies針對(duì)問題：CPU利用率可以建模平均能耗，但是對(duì)于預(yù)測(cè)峰值粒度過粗。 提出模型：表征服務(wù)器利用率和電源行為之間的關(guān)系，對(duì)實(shí)際峰值功耗建模。引入新的操作系統(tǒng)指標(biāo)，捕獲所需信息，以...
-
A Methodology to Predict the Power Consumption of Servers in Data Centres針對(duì)問題：預(yù)測(cè)數(shù)據(jù)中心的服務(wù)器能耗 提出模型：將數(shù)據(jù)中心建模分成四部分：ICT資源建模、服務(wù)器建模、存儲(chǔ)建模、服務(wù)建模。 由于通?？梢月?lián)合分布在地理位置上的一組數(shù)據(jù)中心，因此...
