红屋的卡拉OK

最新推荐文章于 2025-03-20 17:50:54 发布
最新推荐文章于 2025-03-20 17:50:54 发布
阅读量161 收藏
点赞数
分类专栏： 怀旧 文章标签： 情感 生活
1988年或1989年，我父亲接了一个小私活（当时称之为“炒更”或“秘捞”），工作内容是给一家小酒吧焊霓虹灯招牌，我还记得那家酒吧叫“红屋”。

不久后，我父亲又从那个酒吧接了一个新活，也是焊招牌，这次焊上的招牌上有个“新词”：卡拉OK。

而那家小酒吧也是当时镇上第一家卡拉OK厅。

我就是从那时才第一次接触到这个词，但当时没能尝试这种玩意。

到现在为止，我一直不清楚那家酒吧怎么经营这个玩意：当时只有VCR录像机可以播放视频，我好象是在一、两年后才看见有那种如黑胶唱片般巨大的镭射光盘。

在我脑海里总是浮现着这样怪异的场景：那家酒吧每播完一曲，一个酒保就拿着一个手动倒带工具在拼命倒带，一群歌迷在旁边使劲地催... ...。呵呵
【ICLR 2022】时序精选论文08｜Pyraformer: 基于金字塔注意力机制与多尺度辨识卷积的时间序列预测模型（代码解读附源码）
ViolenceTemper的博客
08-20 369
CNN和RNN的时间复杂度为 O(L) ，而信号遍历路径的最大长度为 O(L) ，Transformer的信号遍历路径为 O(1) ，而时间复杂度为 O(L^2) ，它无法处理很长的序列。Transformer的变体也很少有能够实现小于 O(L) 的最大路径长度，同时大大降低时间和空间复杂度。处理长距离依赖性，其特征在于时间序列中任何两个位置之间的最长信号遍历路径的长度。路径越短，捕获的依赖性越好。基于时间序列数据面临的挑战：建立一个灵活但简约的模型，能够捕获不同范围的时间依赖性。
Pyraformer: 低复杂度金字塔注意力在长序列时间序列建模和预测中的应用
步子哥的博客
06-18 1120
为了解决上述问题，本文提出了一种新型的基于金字塔注意力的Transformer模型（Pyraformer）。具体来说，开发了一种金字塔注意力机制，通过在金字塔图上基于注意力的消息传递来描述时间序列的时间依赖性。该图中的边可分为两组：跨尺度和同尺度连接。跨尺度连接构建了原始序列的多分辨率表示，而同尺度连接捕捉了各分辨率下的时间依赖性。这样，该模型通过在较粗的分辨率下捕捉长范围的行为，提供了对远距离位置之间长期时间依赖性的紧凑表示，从而缩短了信号传递路径的长度。
如何让AI准确洞察未来？蚂蚁&上交大高影响分子论文：基于Pyraformer的精准时序预测
AntResearch的博客
03-20 604
跨尺度连接构建了原始序列的多分辨率表示：最细尺度的节点对应于原始时间序列中的时间点（例如，小时观测），而较粗尺度的节点表示较低分辨率的特征（例如，日、周和月模式）。一方面，RNN和CNN实现了与时间序列长度L线性的时间复杂度，但它们的最长信号穿越路径为O(L)，因此难以学习远距离位置之间的依赖性。有趣的是，对于Wind数据集，稀疏注意机制（即LogTrans、ETC、Longformer和Pyraformer）优于原始的Transformer，这可能是因为数据包含大量的零，而适当的稀疏性有助于避免过拟合。
pyraformer: low-complexity pyramidal attention for long-range time series modeling and forecasting
小蚂蚁与大象
06-01 1490
pyraformer: low-complexity pyramidal attention for long-range time series modeling and forecasting 以时间序列数据为基础，对过去的未来进行准确的预测是至关重要的，因为这为提前进行决策和风险管理打开了大门。在实践中，挑战是构建一个灵活但简洁的模型，可以捕获广泛的时间依赖性。在这篇论文中，我们通过探索时间序列的多分辨率表示来提出Pyraformer。具体地，我们引入了金字塔注意模块(PAM)，其中尺度间树结构总结
RevIN 时间序列预测可逆实例归一化 论文笔记 ICLR 2022
还是学不会____还是学不会
10-25 1939
文章提出了一种简单而有效的归一化和反归一化方法，称为可逆实例归一化（Reversible Instance Normalization，简称RevIN）。RevIN的核心思想是通过对输入序列进行归一化处理，去除其中的非平稳信息（即均值和标准差），然后通过在模型输出层进行反归一化，将这些信息重新添加回去。
【收藏】时间序列预测入门必读的4篇论文
abcdefg90876的博客
07-20 1754
时间序列预测是一个发展历史悠久的技术领域，近些年随着机器学习算法和深度学习算法的应用，时间序列预测方法在越来越多的传统领域焕发光彩。入门必读的4篇论文见文末↓01传统统计学算法和ML/DL算法的优劣时间序列预测常用的传统的统计学算法有ARIMA, ETS, GARCH等，常用的机器学习算法和深度学习算法有广义线性模型、xgboost、LSTM、CNN、Transforme...
Pyraformer
weixin_40988824的博客
07-16 175
文章目录摘要1 引言2 相关工作2.1 时间序列预测2.2 稀疏Transformer2.3 层次Transformer3 方法3.1 金字塔注意力模块（PAM）3.2 粗尺度构建模块（CSCM）3.3 预测模块 摘要基于时间序列数据准确预测未来是至关重要的，因为这为决策制定和风险管理提前打开了大门。在实践中，挑战在于构...
机器学习-08-时序数据分析预测
04-28
电力时序数据
一文速学数模-时序预测模型(一)灰色预测一文详解+Python实例代码
master_hunter的博客
01-30 2866
博主参与过大大小小十次数学建模比赛，也获得了不少建模奖项。对于一些小批量样本数据去做预测或者是评估其规律性的话，比较适合的模型一般都是选择灰色预测模型。该模型解释性强而且易于理解，建模手段也比较简单。在一些不确定是否存在相关标量或者是存在位置特征的时候，用灰色预测模型尤为明显，牵扯太多变量时候可以以量曾量减的方式显现其变化规律，是建模比较好用的算法和思路。但是首先我们要明白该模型的使用场景以及优缺点才能更好的解释建模的效果。故为接下来的美赛，我将把一些常用建模的模型和代码补上。
时序预测 MATLAB实现基于分位数回归的Bayes-GRU多变量时序预测的详细项目实例（含模型描述及示例代码）
最新发布
04-30
内容概要：本文档详细介绍了基于分位数回归的Bayes-GRU多变量时序预测项目的实现过程。项目旨在提高时序预测的精度和鲁棒性，提供不确定性估计，并增强多变量时序数据的建模能力。通过引入贝叶斯思想和分位数回归，...
时序分析 29 - 时序预测 - 格兰杰因果关系（下） python实践2
weixin_43171270的博客
04-09 7475
时序分析 29 Granger-Cause 实践2 金融时序数据分析 ​ 本文主要搭建经济模型，从而分析和预测金融时序数据，重点关注黄金和原油价格。这两种金融资产对全球经济影响较大，我们将使用格兰杰因果检验来测试多个变量之间的关系，然后会使用VAR(Vector Auto Regression)通过历史数据来尝试预测黄金和原油的未来价格。我们使用的数据包括黄金、白银、原油、股票指数、利率和美元。 流程总结 ​ 下图大致概括了上一篇博文和本篇博文两次时间的基本流程。 #mermaid-svg-kcHMWjZe
2024丨时间序列预测（Time Series Prediction）论文汇总
热门推荐
qq_41300595的博客
04-19 1万+
提出了STanHop-Net，一种新颖的时间序列预测模型，将基于 Hopfield 的模块与外部存储模块相结合，增强学习能力，对突发事件快速响应，并具有卓越的理论保证和经验性能。一个灵活的多变量概率时间序列预测模型，简化了attentional copulas，在不同的预测任务中具有最先进的精度，同时支持插值和从不规则数据中学习。通过使用 copula 对时间步长的依赖性进行建模，显着提高共形预测置信区间的效率/清晰度，用于多步时间序列预测。时间序列分析、时间序列预测、复值神经网络，轻量级。
时序预测发论文新方向！大模型+时间序列引爆顶会
人工智能讲师分享前沿技术
07-24 1928
为帮助大家掌握大模型时代时间序列预测的研究方法，今天给大家分享58篇必读论文，原文和代码都有。
时序论文18｜ICML24 ：复旦&微软团队提出基于脉冲网络的时序预测新思路
u010681011的专栏
10-08 1634
这篇文章给我们一个发文章的思路：继续在transformer架构卷改进很难了，换新赛道则竞争相对没有那么激烈，要善于发掘新方法在时序上的应用，比如：如KAN、SNN等。另外，这种类型的文章好难讲清楚，太多额外知识点，还是建议看原文～脉冲神经网络（SNNs）因其卓越的能效、事件驱动的特性和生物学的合理性，被公认为神经网络发展的第三代技术，为捕捉时间序列数据的细微差别开辟了独特的途径。复旦大学团队提出了一个针对时间序列预测的SNN框架，充分利用脉冲神经元在处理时间信息方面的高效性。
时间序列预测必读的20篇论文！
深度学习与计算机视觉
08-03 4295
信息时代，最不缺的是学习资源，最缺的是系统的学习资源。——于我心有戚戚焉常有粉丝留言问我，有没有系统的、可供小白、初学者快速上手时间序列预测的学习资源——教材书籍、视频直播、或者论文都行。...
整理：4篇在时序预测中成功应用改进注意力机制的研究论文
mslion的博客
08-26 2175
为进一步提升模型的准确性，FedDA 引入了一种双重注意机制，在构建全局模型时，不仅聚合集群内的模型，还考虑集群间的模型，避免了简单平均局部模型权重的不足。为了进一步增强模型的预测能力，在编码器和解码器之间引入了一个变换注意层，该层用于将编码后的交通特征转换为未来时间步的序列表示，并作为解码器的输入。（1）为了对道路网络图中不同顶点的交通状况的（空间）相关性进行建模，我们提出了一种基于 GCN 的模型，名为 LPGCN，该模型学习过渡矩阵来编码顶点之间的潜在交通模式相关性。
时序预测：从两篇高影响力的论文谈起
Paper weekly
06-25 2613
未来可以预测吗？ 本文从两篇高影响力的时序预测文章谈起，其中一篇是18年放在arXiv上的文章，文中总结性地提出了时序卷积网络（TCN: Temporal Convolutional Ne...
《PyraFormer》学习笔记-基于金字塔注意力机制的长序列预测算法
常隆涛的博客
12-05 4125
长程依赖性的特征是时间序列中任意两个位置之间最长信号穿越路径的长度。（1）金字塔注意力模块(PAM)（2）CSCM。
pyraformer
08-24
Pyraformer是一种用于长程时间序列建模和预测的低复杂度、金字塔式注意力机制。它通过多分辨率的方式捕捉不同范围的时间依赖关系，并且在理论上证明了在适当选择参数的情况下，Pyraformer能够同时实现O(1)的最大信息传播路径和O(L)的时空复杂度。该方法在多个真实数据集上的实验表明，无论是单步预测任务还是长程预测任务，Pyraformer都取得了比Transformer及其变体更好的效果，并且所需的时间和显存消耗更低。如果您需要更多关于Pyraformer的详细信息，您可以参考引用中的论文标题和引用中的论文链接和源码链接。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [[2022 ICLR] Pyraformer: Low-Complexity Pyramidal Attention for Long-Range 时空序列建模和预测](https://blog.csdn.net/qq_33866063/article/details/124332826)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [论文笔记-时序预测-Pyraformer](https://blog.csdn.net/weixin_44611266/article/details/128265508)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值