如何对不同设置下的序列数据建模是一个跨许多领域的重要机器学习问题,包括对时间序列数据、自然语言文本和事件流的预测。不同字段中的顺序数据通常具有不同的特征。例如,自然语言文本可以被视为一个离散变量的序列,而传感器网络信号可以被视为一个连续向量空间中的多变量序列。为了在各种各样的现实世界领域中开发成功的神经网络模型,我们需要根据数据和问题的性质定制架构和算法。本文设计了新颖高效的神经网络解决方案,用于序列建模和应用。具体来说,这些贡献可以分为四部分。

第一部分重点研究了多变量序列数据中变量之间的相关性,如多传感器的时间序列,并提出了新的算法,即深度可分图卷积网络(DSGC)(第二章)[60]和分解递归神经网络(FRNN)(第三章)[63],以利用相关模式,提高预测精度。

第二部分侧重于将人类先验知识用于时序数据依赖模式的时间建模。具体地说,我们提出了一种新的方法,命名为长期和短期时间序列网络(LSTNet)(第4章)[59],它被证明是特别有效的捕获各种周期模式在不同的应用。

第三部分着重于序列分类任务中Transformers 的高效算法。具体来说,通过识别常用的Transformer架构中的计算冗余,并提出一种新的替代方案,即漏斗Transformers (第5章)[27],我们实现了更好的计算与精度之间的权衡。

第四部分侧重于事件之间时间关系的建模/预测,其中的主要挑战是从稀疏标记的数据中有效学习。我们通过结合高级数据增强、半监督学习和人类先验知识的引入来应对这一挑战(第6章)。因此,我们大大提高了这项任务的最先进性能。

成为VIP会员查看完整内容
53

相关内容

【MIT博士论文】深度学习几何表示,138页pdf
专知会员服务
65+阅读 · 2022年9月4日
【CMU博士论文】多视图上下文理解的知识增强表示学习
专知会员服务
33+阅读 · 2022年8月11日
索邦大学121页博士论文《时间序列中的无监督异常检测》
【CMU博士论文】通过记忆的元强化学习,118页pdf
专知会员服务
43+阅读 · 2022年6月23日
【博士论文】多任务学习视觉场景理解,140页pdf
专知会员服务
87+阅读 · 2022年4月5日
【Haute-Alsace博士论文】深度学习时序分类,175页pdf
专知会员服务
99+阅读 · 2020年10月4日
【MIT博士论文】数据高效强化学习,176页pdf
【ETH博士论文】贝叶斯深度学习,241页pdf
专知
8+阅读 · 2022年1月16日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年10月3日
Arxiv
40+阅读 · 2022年9月19日
Arxiv
21+阅读 · 2022年2月24日
Arxiv
53+阅读 · 2018年12月11日
VIP会员
相关VIP内容
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
10+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员