没有合适的资源?快使用搜索试试~ 我知道了~
MTGODE笔记.pdf
资源推荐
资源详情
资源评论
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![thumb](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![vsdx](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![csv](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/release/download_crawler_static/87855664/bg1.jpg)
MTGODE
预备知识:
Neural Ordinary Differential Equations神经元常微分方程:(神经网络常微分方程 (Neural ODEs) 解析)
通过推广离散深度神经网络引入了一种新的连续时间模型范式。以 层残差网络为例,可以用公式表示
如下:
R. T. Chen, Y. Rubanova, J. Bettencourt, and D. Duvenaud, “Neural ordinary differential
equations,” in NIPS, 2018, pp. 6572–6583.
解释:第一个方程是一个递归公式,它在每个时间步更新模型的隐藏状态。 它由两项组成:当前隐藏状
态,表示为 ( ),以及将前一时间步的隐藏状态作为输入的函数 ( ),表示为 ( ),以及一组可学习的
参数( 。该函数的输出与当前隐藏状态相加,得到下一时间步的隐藏状态,记为( )。
第二个方程将模型的输出定义为最终隐藏状态,用 表示。 该等式用于根据学习到的隐藏状态表示
来预测未来的时间步长。
总体而言,该方程抓住了所提出的 MTGODE 模型的本质,该模型将动态图结构与神经 ODE 相结合,以
捕获多变量时间序列数据中的复杂时间依赖性。
如果我们插入更多的层并采取更小的积分步骤,那么我们可以直接参数化和近似潜在状态的连续演化,
这形成了神经常微分方程(NODE)的基本思想:
这里令 ,省略
本文采用新型时间聚合机制,加上简化的连续图传播,学习潜在的时间动态信息。
更多看node和GCN结合实例
![](https://csdnimg.cn/release/download_crawler_static/87855664/bg2.jpg)
问题定义:
介绍多变量时间序列的表示学习问题,即单步和多步预测;
给定的多元时间序列
从 中采样 历史时序的序列
可学习的邻接矩阵
离散图在第k层传播的潜态
CGP过程的中间潜态
第l层离散时间聚集的潜态
在t时CTA过程的中间潜态
图形模块的学习空间表示
时态模块的学习时态表示
学习的 的时空表示
MTGODE的可训练参数
的变量数、长度和特征尺寸
输入长度和预测范围
的输出尺寸
离散图传播的层数与时间聚集
定义CGP过程时的积分时间和步长
定义CTA过程时的积分时间和步长
设 表示一个具有 个变量、 个特征维数和 个时间步长的多元时间序列,
定义 为所有特征和时间步长的第 个时间序列,
为所有序列和特征的第 个时间步长。
给定 个历史观测序列
我们的目标是学习时空编码器
其中学习的表示为:
对于每个有效时间步长t,我们将多变量时间序列预测问题公式化如下:
其中 和 表示具有学习到的最佳参数的编码器和解码器
对于单步预测:
对于多步预测:
代表特定的预测范围
![](https://csdnimg.cn/release/download_crawler_static/87855664/bg3.jpg)
表示所提出的模型 MTGODE 的目标函数,用于多元时间序列预测。 目标函数被最小化以获得函数 和
的最优值。
函数 将一系列多元时间序列数据作为输入,用 X 表示,从时间 t+1 到 t+T,并输出潜在状态表示。
函数 将潜在状态表示作为输入并产生预测输出,用 Y 表示。函数 g 应用于函数 f 的输出以获得最终预
测。
目标函数定义为应用于预测输出和实际输出 Y 的损失函数之和,用 表示。损失函数衡量预测输出与实际
输出之间的差异。 优化的目标是找到 f 和 g 的值,使整个数据集的损失函数之和最小。
使用 函数求解优化问题,该函数找到使目标函数最小化的 f 和 g 的值。 优化是在整个数据集上
执行的,该数据集由多个时间序列组成。
framework:
数据预处理->连续时空编码->下游任务解码
具体过程如下:
结构: CGP
给定邻接矩阵 和初始状态
的公式(离散形式)为:
表示归一化邻接矩阵, 是输出表示, 是可训练参数矩阵。
积分时间:
步长:
剩余10页未读,继续阅读
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/e5e08062b0d14bdcb5d4d3d9840cea9c_weixin_43057295.jpg!1)
llddycidy
- 粉丝: 293
- 资源: 18
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
- 华为HCIA-WLAN 3.0 课程视频(13 WLAN关键报文及STA上线.mp4)
- navicat教程.docx
- 华为HCIA-WLAN 3.0 课程视频(12 CAPWAP隧道.mp4)
- 华为HCIA-WLAN 3.0 课程视频(11 WLAN典型组网方案.mp4)
- 2429550184旺泓-096-1306-SPI接口带字库例程8pin.zip
- 华为HCIA-WLAN 3.0 课程视频(10 WLAN组网架构(下).mp4)
- 华为HCIA-WLAN 3.0 课程视频(09 WLAN组网架构(上).mp4)
- 计算机组成原理-复习提纲
- 华为HCIA-WLAN 3.0 课程视频(08 WLAN基本概念.mp4)
- 华为HCIA-WLAN 3.0 课程视频(07 WLAN的关键技术(下).mp4)
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)