![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文笔记
文章平均质量分 71
论文笔记
知福致福
这个作者很懒,什么都没留下…
展开
-
FFPFormer:Take an Irregular Route: Enhance the Decoder of Time-Series Forecasting Transformer
随着物联网(IoT)系统的发展,精确的长期预测方法对决策者评估当前状况并制定未来政策至关重要。目前,Transformer和MLP是两种深度时间序列预测的范式,其中前者因其出色的注意力机制和编码器-解码器架构而更为流行。然而,数据科学家似乎更愿意深入研究编码器,而忽略了解码器。一些研究者甚至采用线性投影来替代解码器,以降低复杂性。我们认为,无论是提取输入序列的特征,还是寻求输入与预测序列之间的关系,即编码器和解码器各自的功能,都至关重要。原创 2024-03-21 22:30:00 · 680 阅读 · 0 评论 -
OneNet:OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling
时间序列预测模型的在线更新旨在通过有效地更新基于流媒体数据的预测模型来解决概念漂移问题。许多算法都是为在线时间序列预测而设计的,一些算法利用跨变量依赖性,而另一些算法则假设变量之间的独立性。考虑到每个数据假设在在线时间序列建模中都有自己的优缺点,我们提出了在线集成网络(OneNet)。它动态地更新并结合了两个模型,一个关注于跨时间维度的依赖关系建模,另一个关注于跨变量依赖关系建模。我们的方法将基于强化学习的方法合并到传统的在线凸规划框架中,允许两个模型与动态调整权重的线性组合。原创 2024-03-21 22:28:59 · 1024 阅读 · 1 评论 -
2023年11月论文:DANCE OF CHANNEL AND SEQUENCE(CSformer)(无源码)
DANCE OF CHANNEL AND SEQUENCE:AN EFFICIENT ATTENTION-BASED APPROACH FORMULTIVARIATE TIME SERIES FORECASTING推荐阅读指数: ★★大意了,没仔细看实验结果和模型图,精度了一篇有点不太行的文章,实验结果只有一张表,模型图又很简单,且机构也很一般。通道独立性导致信息退化,文章提出CSformer来应对这一问题,CSformer中精心设计了两阶段的自注意力机制,该机制可以分别提取特定序列信息和通道信息,同原创 2024-01-11 09:10:02 · 896 阅读 · 2 评论 -
ForecastPFN: Synthetically-Trained Zero-Shot Forecasting
绝大多数时间序列预测方法需要大量的训练数据集。然而,许多现实生活中的预测应用程序只有很少的初始观测值,有时只有40个或更少。因此,在数据稀疏的商业应用中的,大多数时间序列预测方法的适用性受到了限制。(开篇说明课题背景:观测数据少)虽然最近有些工作尝试在非常有限的初始数据设置下(“zero-shot"场景)做预测 ,由于预训练的数据不同,其性能也呈现出不一致性。在我们的工作中,我们采用了一种不同的方法,并设计了(prior-data fitted network),这是第一个纯粹基于新的合成数据分布。原创 2024-01-08 17:04:04 · 1108 阅读 · 0 评论 -
Take an Irregular Route: Enhance the Decoder of Time-Series Forecasting Transformer(FFPformer)
当前,Transformer和MLP是用于深度学习时间序列预测的两种主要范式,其中前者因为其注意力机制和encoder-decoder结构而被更加广泛地应用。然而数据科学家似乎更愿意在encoder上投入研究,decoder往往被忽略。一些研究者甚至试图采用线性映射替代decoder来降低复杂度。(decoder被忽略的现状)我们认为探寻输入和预测序列的联系与提取输入序列的特征同等重要,前者恰好是encoder和decoder的代表功能,具有很大意义。原创 2024-01-07 20:19:46 · 1073 阅读 · 1 评论 -
论文阅读:Large Language Models Are Zero-Shot Time Series Forecasters(2023NIPS)(LLMTime)
对于预测任务:通过将时间序列编码为一系列数字,可以将时间序列预测任务转化为文本里面的next-token预测任务。在大规模预训练语言模型的基础上,文章提出了一些方法用于有效,并(分布转换部分涉及到诸多统计学知识)。在数值补全任务中,文章展示了语言模型(LLMs)如何通过非数值文本自然处理缺失数据,无需插补,如何适应文本侧面信息,并回答问题以帮助解释预测。原创 2023-12-27 15:34:20 · 1454 阅读 · 0 评论 -
lag-llama源码解读(Lag-Llama: Towards Foundation Models for Time Series Forecasting)
文章内容:时间序列预测任务,单变量预测单变量,基于Llama大模型,在zero-shot场景下模型表现优异。创新点,引入滞后特征作为协变量来进行预测。原创 2023-12-27 15:11:26 · 1872 阅读 · 1 评论 -
时间序列分析
时间序列分析原创 2023-12-21 16:57:39 · 849 阅读 · 0 评论 -
论文阅读:DSformer:A Double Sampling Transformer for Multivariate Time Series Long-term Prediction
多变量长期预测任务旨在预测未来较长一段时间的数据的变化,从而为决策提供参考。当前模型对时间序列的以下三个特征利用还不充分:全局信息、局部信息、变量相关性。由此文章提出DSformer(double sampling transformer)模型,该模型包含了double sampling(DS) block和 temporal variable attentioon(TVA) block。原创 2023-12-18 17:04:25 · 680 阅读 · 2 评论 -
文献调研的方法
做虚假人脸(完全由GAN生成真实世界不存在的图像)检测调研花费了很多时间,这里浅浅总结一些经验两大利器:谷歌学术github重点关注:引用关系本次调研我主要利用了以下方法:首先上CSDN,知乎找到领域的一篇相关论文或者综述,但是由于csdn,知乎上的资料十分少,只能靠引用关系去查找,查论文,查综述,在综述里面找论文,继续循环,一套下来感觉费了很多时间。1.csdn,知乎找,幸运的可以找到一些归纳,但是如果想要了解前沿知识,不能仅限于此,还要靠自己得到第一手资料,注意该步骤要求一定要找到准确。原创 2022-02-24 10:23:01 · 2059 阅读 · 0 评论 -
SSIMvsDSSIM
SSIM:结构相似性在计算两张影像的结构相似性指标时,会开一个局部性的视窗,一般为P*P的小区块,计算出视窗内信号的结构相似性指标,每次以像素为单位移动视窗,直到整张影像每个位置的局部结构相似性指标都计算完毕。将全部的局部结构相似性指标平均起来即为两张影像的结构相似性指标。DSSIM:结构相异性当DSSIM越大时,代表两张图片越接近,SSIM越接近1,DSSIM的值也越大,当SSIM=1,也就是DSSIM趋近无限时,和原始视讯档案完全一致,若SSIM>=0.98就是难以与原始视讯档案分辨区别,而原创 2022-02-22 22:05:28 · 847 阅读 · 0 评论 -
推荐系统常用的评价指标
参考文章1TP:预测为正,实际为正FP:预测为正,实际为负TN:预测为负,实际为负FN:预测为正,实际为负T:true;F:false.即预测结果的真假P:positive;N:negative.即正样本和负样本精准率(precision/accuracy)(查准率):TP/(FP+TP)意义:预测为正的样本中真正为正的样本所占的比例推荐的产品有多少都是用户想要的召回率(call)(查全率):TP/(TP+FN)意义:实际为正的样本被正确预测的概论用户想要的产品被推荐的够不够全原创 2022-02-22 18:42:50 · 562 阅读 · 0 评论 -
虚假人脸检测----检测gan生成的虚假人脸
Hsu C C, Lee C Y, Zhuang Y X. Learning to detect fake face images in the wild[C]//2018 International Symposium on Computer, Consumer and Control (IS3C). IEEE, 2018: 388-391.Cintas C, Speakman S, Tadesse G A, et al. Pattern detection in the activation spac原创 2022-02-21 20:35:57 · 1437 阅读 · 0 评论 -
高斯模糊( Gaussian blur)
参考:https://blog.csdn.net/higter/article/details/88869667原创 2022-02-21 16:33:03 · 509 阅读 · 0 评论 -
虚假人脸数据集
1. FaceForensics++ (FF++)它的原始版本包含700个测试视频,包括140个原始视频和560个来自4种不同算法的假视频,其中包括Deepfakes (DF) , Face2Face (F2F) , FaceSwap(FS) and NeuralTextures (NT)2.DeepfakeDetection(DFD)3.Celeb-DF-v1(CD1) & -v2 (CD2)4.DFDCPreview (DFDC-P)5.Deepfake Detection Ch原创 2022-02-21 10:36:07 · 3302 阅读 · 0 评论 -
论文了解----inductive matrix completion
Jain P, Dhillon I S. Provable inductive matrix completion[J]. arXiv preprint arXiv:1306.0626, 2013.摘要:Consider a movie recommendation system where apart from the ratings information, side information such as user’s age or movie’s genre is also available.原创 2022-02-19 19:55:20 · 425 阅读 · 0 评论