其他分享
首页 > 其他分享> > SMA TE: Semi-Supervised Spatio-Temporal RepresentationLearning on Multivariate Time Series

SMA TE: Semi-Supervised Spatio-Temporal RepresentationLearning on Multivariate Time Series

作者:互联网

这是一篇基于Tapnet修改的文章。

创新点:

1、加入了时间序列的空间信息(也就是variable 轴)

2、是用半监督学习

3、对embedding learning可视化

4、与13个监督学习和4个半监督学习作为baseline

(个人觉得,相较于Tapnet,不同的地方主要在于加入了空间信息,和用的是AE框架)

A:MTS需要考虑2个部分,一部分是时间依赖性p(x_{t'}|x_{t}) (t'>t) 和空间相关性。 先前的论文都是只有考虑2个variable之间对应点的相关性。但这篇论文觉得,应该考虑2个variable 一个m窗口之间的相关性。也就是s_{t}的相关性,其中s__{t}=\{x_{t-m/2,t+m/2}^i ,{x_{t-m/2,t+m/2}^j} \}。这带来了一个空间相关矩阵的时间邻居和空间变量给定的空间状态。

B:半监督学习的定义,D_{l}为标签样本,D_{u}是没有标签样本。

SMATE:

SMATE有3个关键部分,一个是时空动态encoder,序列decoder,和半监督的嵌入层的三步正则化。

SMB:

简单说就是把序列通过空间模块,加入空间信息,个人觉得,类似于SE模块,只不过论文中加了一个参数M,来调整一个窗口内的相关性。

先写到这吧

        

标签:Multivariate,Semi,空间信息,Series,空间,监督,相关性,variable,序列
来源: https://blog.csdn.net/qq_34845880/article/details/120614506