标签:Multivariate Semi 空间信息 Series 空间 监督 相关性 variable 序列
这是一篇基于Tapnet修改的文章。
创新点:
1、加入了时间序列的空间信息(也就是variable 轴)
2、是用半监督学习
3、对embedding learning可视化
4、与13个监督学习和4个半监督学习作为baseline
(个人觉得,相较于Tapnet,不同的地方主要在于加入了空间信息,和用的是AE框架)
A:MTS需要考虑2个部分,一部分是时间依赖性 和空间相关性。 先前的论文都是只有考虑2个variable之间对应点的相关性。但这篇论文觉得,应该考虑2个variable 一个m窗口之间的相关性。也就是的相关性,其中。这带来了一个空间相关矩阵的时间邻居和空间变量给定的空间状态。
B:半监督学习的定义,为标签样本,是没有标签样本。
SMATE:
SMATE有3个关键部分,一个是时空动态encoder,序列decoder,和半监督的嵌入层的三步正则化。
SMB:
简单说就是把序列通过空间模块,加入空间信息,个人觉得,类似于SE模块,只不过论文中加了一个参数M,来调整一个窗口内的相关性。
先写到这吧
标签:Multivariate,Semi,空间信息,Series,空间,监督,相关性,variable,序列 来源: https://blog.csdn.net/qq_34845880/article/details/120614506
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。