迁移学习
文章平均质量分 64
迁移学习
西西弗的小蚂蚁
不要辜负这美好的时光!
展开
-
ST4ML: Machine Learning Oriented Spatio-Temporal Data Processing at Scale
Spatio。原创 2023-08-01 16:26:28 · 11 阅读 · 0 评论 -
When Transfer Learning Meets Cross-City Urban Flow Prediction: Spatio-Temporal Adaptation Matters
如图2所示,TAAM Mt设计用于时间感知特征转移,城市差异也反映在时间维度上。具体来说,我们首先使用自我注意机制来获取领域权重,表示源城市和目标城市的本地时间特征的影响。然后,采用基于差异的域适应方法,即MMD [Long等人,2017],从源城市和目标城市获取全球时间特征。城市流量预测是构建智慧城市的一项基本任务,神经网络已经成为其中最流行的方法。然而,深度学习方法通常依赖于大量的训练数据,这些数据在现实世界中可能是不可访问的。应该说 在城市计算上的城市特征之间迁移是个很好的方法。...原创 2022-08-04 20:16:04 · 502 阅读 · 0 评论 -
Domain Adaptation for Time Series Forecasting via Attention Sharing(ICML2022)
近年来,深度神经网络在时间序列预测领域得到了越来越广泛的应用。他们成功的一个主要原因是他们能够有效地跨越多个相关的时间序列捕捉复杂的时间动态。这些深度预测的优势只有在有足够数量的数据时才开始显现。这对实践中典型的预测问题提出了挑战,在这些问题中,每个时间序列或每个时间序列的观测数量有限,或两者兼有。为了解决数据稀缺的问题,我们提出了一种新的领域适应框架——领域适应预测器(domain adaptation Forecaster, DAF)。DAF利用具有丰富数据样本(源)的相关领域的统计优势,以提高具有有限原创 2022-06-28 11:26:52 · 1171 阅读 · 1 评论