发简信
IP属地：陕西
-
attention
1.什么是注意力机制 2.attention综述 3.attention
-
Time series forecasting of petroleum production using deep LSTM recurrent networks针对问题：时间序列预测。LSTM的浅层架构无法有效地表示时间序列数据的复杂特征，尤其是高度非线性和长间隔时间序列数据集。 提出模型：deep-L...
-
Unsupervised pre-training of a Deep LStM-based Stacked Autoencoder for Multivariate time Series f...问题背景：deepLSTM模型在建模多元时间序列（MTS）性能有待提高，尤其是高度非线性和长间隔的MTS数据集。原因：监督学习方法在RNN中随机...
-
STRUCTURED SEQUENCE MODELING WITH GRAPH CONVOLUTIONAL RECURRENT NETWORKS针对问题：结构化序列 structured sequences（如，时空序列）. 提出模型：GCRN. 图＋CNN——识别空间结构，RNN——查...
-
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting问题背景：交通流量预测忽略时空依赖性。 提出模型：Spatio-Temporal Graph Convolutional Networks (S...
-
DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING针对问题：交通预测。 提出模型：扩散卷积递归神经网络（DCRNN）。DCRNN在图形上使用双向随机步捕获空间依赖性，并使用计划采样的编码器-解码...
-
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Lin用于流量预测的时序图卷积 问题背景：交通流量预测。 提出模型：为了同时捕获空间和时间相关性，提出了时间图卷积网络（T-GCN）模型，即将图卷积网...
-
An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling对RNN和CNN进行比较 时间卷积网络TCN代码：GitHub - locuslab/TCN: Sequence modeling benchm...
-
Unveiling the predictive power of static structure in glassy systems问题背景：预测玻璃态系统中的静态结构变化 提出模型：使用图神经网络，仅从初始粒子位置确定玻璃态系统的长期演化，而没有任何手工特征。 通过我们的网...