亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

時空時間序列預測在許多現實世界應用中起著關鍵作用。盡管在這一領域已經取得了顯著進展，但完全捕捉和利用時空異質性仍然是一個基本挑戰。因此，我們提出了一種新穎的異質性知情的元參數學習方案。具體而言，我們的方法通過學習空間和時間嵌入隱式地捕捉時空異質性，這可以看作是一個聚類過程。然后，提出了一種新的時空元參數學習范式，從元參數池中學習時空特定的參數，這些參數是由捕捉到的異質性信息提供的。 基于這些想法，我們開發了一種用于時空時間序列預測的異質性知情時空元網絡（HimNet）。在五個廣泛使用的基準數據集上進行了廣泛的實驗，結果表明我們的方法達到了最先進的性能，同時表現出優越的可解釋性。我們的代碼可在 //github.com/XDZhelheim/HimNet 獲取。

解釋作用于時間序列數據的深度學習模型在許多需要從時間序列信號中獲取可解釋和透明洞察的應用中至關重要。在這項工作中，我們從信息論的角度研究了這個問題，并表明現有的大多數可解釋性度量可能會遭遇瑣碎解和分布偏移問題。為了解決這些問題，我們引入了一個簡單而實用的目標函數用于時間序列可解釋學習。該目標函數的設計基于信息瓶頸（IB）原理，并修改了IB目標函數以避免瑣碎解和分布偏移問題。 我們進一步提出了TIMEX++，一個新穎的解釋框架，利用參數化網絡生成嵌入解釋的實例，這些實例既是分布內的，又保留標簽。我們在合成和真實世界的數據集上評估了TIMEX++，并將其性能與領先的基線方法進行了比較，通過實際案例研究驗證了其在真實環境應用中的有效性。定量和定性評估表明，TIMEX++在所有數據集上均優于基線方法，在時間序列數據的解釋質量上有顯著提升。源代碼可在//github.com/zichuan-liu/TimeXplusplus找到。

眾所周知，神經網絡在直接使用輸出標簽分布生成不確定性度量時存在過度自信的問題。現有方法主要通過重新訓練整個模型，賦予其不確定性量化能力，使學習到的模型在精度和不確定性預測方面同時達到預期的性能。然而，從頭開始訓練模型的計算成本很高，在許多情況下可能是不可行的。本文考慮一個更實際的事后不確定性學習設置，給出一個訓練良好的基礎模型，并專注于訓練第二階段的不確定性量化任務。本文提出一種新的貝葉斯元模型，以增強預訓練模型的不確定性量化能力，有效且計算效率高。所提出的方法不需要額外的訓練數據，足夠靈活，可以量化不同的不確定性，并容易適應不同的應用設置，包括域外數據檢測、錯誤分類檢測和可信遷移學習。在多個代表性的圖像分類基準上，證明了所提出的元模型方法的靈活性和在這些應用上的優越經驗性能。

//www.zhuanzhi.ai/paper/ce666840fd9361b6f02ab0f425f731c6

從原始無標簽時間序列數據中學習語義豐富的表示，對于分類和預測等下游任務至關重要。最近，對比學習在沒有專家注釋的情況下顯示出了很好的表示學習能力。然而，現有的對比方法通常獨立地對待每個實例，從而導致具有相同語義的假負樣本對。為了解決這一問題，本文提出了一種掩碼層次聚類對比學習模型MHCCL，利用多元時間序列的多個潛在分區組成的層次結構所獲得的語義信息。細粒度聚類保持了較高的純度，而粗粒度聚類反映了更高層次的語義，受此啟發，本文提出了一種新的向下屏蔽策略，通過融合來自聚類層次的多粒度信息來過濾假負樣本并補充正樣本。此外，MHCCL設計了一種向上掩蔽策略，在每個劃分處去除聚類的離群點，以完善原型，有助于加快層次聚類過程，提高聚類質量。在7個廣泛使用的多元時間序列數據集上進行了實驗評估。實驗結果表明，MHCCL比目前最先進的無監督時間序列表示學習方法具有優越性。

//www.zhuanzhi.ai/paper/e0c875b4a35564ddf37b97d9d3fab9f7

元強化學習算法提供了一種數據驅動的方法來獲得快速適應許多具有不同獎勵或動態功能的任務的策略。然而，學習到的元策略通常只在它們被訓練的確切任務分布上有效，并在測試時間獎勵的分布變化或過渡動態的存在下很困難。本文為元強化學習算法開發了一個框架，能夠在任務空間的測試時分布變化下表現適當。我們的框架以一種適應分布魯棒性的方法為中心，它訓練一組元策略對不同級別的分布轉移具有魯棒性。當在可能發生變化的任務測試時分布上進行評估時，這使我們能夠選擇具有最適當魯棒性水平的元策略，并使用它來執行快速自適應。我們正式地展示了我們的框架如何允許改進分布位移下的遺憾，并實證地展示了它在廣泛分布位移下的模擬機器人問題上的有效性。

如何正確建模視頻序列中的幀間關系是視頻恢復(VR)中一個重要但尚未解決的問題。**在本研究中，我們提出一種無監督流對齊序列對序列模型(S2SVR)來解決這個問題。**一方面，在虛擬現實中首次探索了在自然語言處理領域已被證明具有序列建模能力的序列對序列模型。優化的序列化建模顯示了捕獲幀之間的遠程依賴關系的潛力。另一方面，我們提出序列到序列模型與無監督光流估計器，以最大限度地發揮其潛力。流量估計器使用我們提出的無監督蒸餾損失進行訓練，這可以緩解以前基于流量的方法的數據差異和不準確的退化光流量問題。通過可靠的光流，我們可以在多個幀之間建立精確的對應關系，縮小一維語言幀和二維失調幀之間的域差異，提高序列對序列模型的潛力。S2SVR在多個VR任務中表現優異，包括視頻去模糊、視頻超分辨率、視頻壓縮質量增強等。//github。com/linjing7/VR-Baseline

我們提出了提示分布學習，以有效地適應一個預訓練的視覺語言模型，以解決下游的識別任務。我們的方法不僅從一些樣本中學習低偏差提示，而且還捕獲不同提示的分布，以處理不同的視覺表示。這樣，我們提供了高質量的任務相關內容，便于識別。這種快速分布學習是通過一種學習提示的輸出嵌入而不是輸入嵌入的有效方法實現的。因此，我們可以使用高斯分布來有效地建模，并導出有效訓練的替代損失。在12個數據集上的大量實驗表明，我們的方法始終和顯著地優于現有的方法。例如，與人工制作的提示相比，每個類別有一個樣本，它的平均結果相對提高了9.1%。

//www.zhuanzhi.ai/paper/0c6359fedd7bfc3067c0c0ddaf8a29f4

圖神經網絡(GNN)已經在廣泛的應用領域取得了良好的效果。大多數對GNN的實證研究都直接將觀察到的圖作為輸入，假設觀察到的結構完美地描述了節點之間準確完整的關系。然而，現實世界中的圖不可避免地是嘈雜的或不完整的，這甚至會惡化圖表示的質量。本文從信息論的角度提出了一種新的變分信息瓶頸引導的圖結構學習框架VIB-GSL。VIB-GSL提出了圖結構學習的信息瓶頸(Information Bottleneck, IB)原則，為挖掘底層任務相關關系提供了一個更優雅和通用的框架。VIB-GSL學習了一種信息豐富的壓縮圖結構，為特定的下游任務提取可操作的信息。VIB-GSL對不規則圖數據進行變分逼近，形成易處理的IB目標函數，有利于訓練的穩定性。大量的實驗結果表明，VIB-GSL具有良好的有效性和魯棒性。

//www.zhuanzhi.ai/paper/8f506a32b4b05f9ea8a5d651eb1b27f1

說明黑盒神經網絡的一個主要方法是特征歸因，即識別輸入特征對網絡預測的重要性。特征的預測信息最近被提出作為度量其重要性的代理。到目前為止，通過在網絡中設置一個信息瓶頸，只能識別出潛在特征的預測信息。本文提出了一種在輸入域中具有預測信息的特征識別方法。該方法可對輸入特征信息進行細粒度識別，且與網絡結構無關。我們方法的核心思想是利用輸入上的瓶頸，只讓與預測潛在特征相關的輸入特征通過。通過主流特征歸因評價實驗，我們將該方法與幾種特征歸因方法進行了比較。代碼是公開可用的。

//www.zhuanzhi.ai/paper/a4396722cfa7bcaa74a5c09dfcc6b1a6

對Timeseries數據中未來事件的準確和可解釋的預測通常需要捕獲支撐所觀察數據的代表性模式(或稱為狀態)。為此，現有的研究大多側重于狀態的表征和識別，而忽略了狀態之間變化的過渡關系。在本文中，我們提出了演化狀態圖，這是一種動態圖結構，旨在系統地表示狀態(節點)之間沿時間的演化關系(邊)。我們對由時間序列數據構成的動態圖進行分析，發現圖結構的變化(如連接某些狀態節點的邊)可以通知事件的發生(如時間序列波動)。受此啟發，我們提出了一種新的圖神經網絡模型——進化狀態圖網絡(EvoNet)，用于編碼進化狀態圖以實現精確和可解釋的時間序列事件預測。具體來說，演化狀態圖網絡對節點級(狀態到狀態)和圖級(段到段)傳播進行建模，并捕獲節點圖(狀態到段)隨時間的交互。基于五個真實數據集的實驗結果表明，與11個基線相比，我們的方法不僅取得了明顯的改進，而且為解釋事件預測的結果提供了更多的見解。