小哨的博客

多水平预测通常包含复杂的输入组合——包括静态(即时不变)协变量、已知的未来输入和其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。已经提出了几种深度学习方法，但它们都是典型的“黑盒”模型，无法说明它们如何在实际场景中使用各种输入。在本文中，我们介绍了时间融合转换器(TFT)——一种新颖的基于注意力的架构，它将高性能的多水平预测与对时间动态的可解释见解相结合。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，使用可解释的自我注意层进行长期依赖。

该论文提出了一种名为Autoformer的新深度学习模型，用于对时间序列数据进行长期预测。它使用具有自动关联机制的分解架构来发现和表示子系列级别的依赖关系，从而在涵盖实际应用的六个基准测试上具有最高的准确性。

我们介绍了DocSCAN，一种完全无监督的文本分类方法，建立在采用最近邻居算法的语义聚类基础上。对于每个文档，我们从一个预先训练好的大型语言模型中获得语义信息向量。我们发现相似的文档有近似向量，所以表示空间中的邻居倾向于共享主题标签。然后，我们的可学习聚类方法使用相邻数据点对作为弱学习信号来自动学习主题分配。在三个不同的文本分类基准上，我们在各种无监督基准上有了很大的改进。

时间序列预测任务PyTorch数据集类——TimeSeriesDataSet 类详解当进行时间序列预测或时间序列分析时，通常需要对数据进行预处理和转换以提高模型的效果和准确性。TimeSeriesDataSet 类是为这些目的而创建的 PyTorch 数据集类，提供了一些自动化的功能，使得预处理和转换变得更加方便和高效。该类可以用于多种时间序列预测任务，例如预测股票价格、交通流量、能源消耗等。

TFT实战

Using Pytorch Forecasting to train a TemporalFusionTransformer

本文提出了一种名为DCScan的新型功率感知扫描架构，该架构将兼容的扫描单元分成多个段，并使用数据复制和转移技术来降低测试功耗、布线开销和响应数据量。实验结果表明，这种方法在ISCAS'89的基准电路上实现低功耗测试和高故障覆盖率方面是有效的。

该论文提出了一个名为Mutual Mean-Teaching（MMT）的新框架，以改善不同数据集中的人物重新识别。它在无监督域适应任务方面取得了显著改进。

Towards Unsupervised Text Classification Leveraging Experts and Word Embeddings该论文提出了一种无监督的方法，使用每个文档中相关单词之间的文本相似度以及每个类别的关键字字典将文档分为几类。所提出的方法通过人类专业知识和语言模型丰富了类别标签，为低成本文本分类提供了一种实用的替代方案。

MySQL学习笔记

Temporal Fusion Transformer (TFT) 各模块功能和代码解析(pytorch)

Benchmarking Deep Learning Interpretability in Time Series Predictions

【nature论文精读】Impedance-based forecasting of lithium-ion battery performance amid uneven usage

【论文精读】Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting

时间序列可解释性论文精读 Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series Forecasting

Markdown好用的一些标记技巧---字体颜色、大小、样式、背景色、表格

(逐步图解)超详细保姆级Android studio安装教程！

华为微认证——揭秘鲲鹏处理器

Wireshark基础知识

人工智能原理——第二章 知识表示方法