TL;DR
- v1 نوع اعلان:.
- جدید چکیده:.
- ما ROMAN را معرفی میکنیم (Routing Multiscale presentAtioN)،.
چه اتفاقی افتاد
v1 نوع اعلان:. جدید چکیده:.
ما ROMAN را معرفی میکنیم (Routing Multiscale presentAtioN)،. یک عملگر قطعی برای سریهای زمانی که مقیاس زمانی و موقعیت زمانی درشت را در یک ساختار کانال.
صریح و در عین حال کاهش طول دنباله را نگاشت میکند. ROMAN یک هرم چند مقیاسی ضد مستعار میسازد،.
پنجرههای با طول ثابت را از هر مقیاس استخراج میکند،. و آنها را به صورت شبه کانال روی هم میچیند،.
و یک نمایش فشرده به دست میدهد که طبقه بندی کنندههای کانولوشن استاندارد میتوانند بر. روی آن کار کنند.
به این ترتیب،. ROMAN مکانیزم سادهای برای کنترل بایاس استقرایی مدلهای پاییندستی ارائه میکند:.
میتواند تغییر ناپذیری زمانی را کاهش دهد،. ادغام زمانی را بهطور ضمنی از موقعیت درشت آگاه کند،.
و تعاملات چند مقیاسی را از طریق اختلاط کانال نشان دهد،. در حالی که اغلب با کوتاه کردن محور زمانی پردازش شده،.
کارایی محاسباتی را بهبود میبخشد. ما بهطور رسمیعملگر ROMAN را تجزیه و تحلیل میکنیم و سپس آن را به دو صورت.
ارزیابی میکنیم روشهای تکمیلی با اندازهگیری تأثیر آن بهعنوان یک مرحله پیش پردازش برای چهار طبقهبندیکننده کانولوشنال. نماینده:.
MiniRocket،. MultiRocket،.
یک طبقهبندیکننده استاندارد مبتنی بر CNN،. و یک طبقهبندیکننده شبکه کاملاً کانولوشن (FCN).
اول،. ما وظایف طبقهبندی سریهای زمانی مصنوعی را طراحی میکنیم که آگاهی از موقعیت درشت،.
همبستگی دوربرد،. تعامل چند مقیاسی،.
و عدم تغییر موقعیت کامل را جدا میکند،. و نشان میدهد که ROMAN مطابق با مکانیسم مورد نظر خود رفتار میکند و زمانی که اطلاعات کلاس.
به ساختار زمانی بستگی دارد که پیچیدگی ادغامشده استاندارد تمایل به سرکوب دارد،. بسیار مفید است.
دوم،. ما مدلهای مشابه با و بدون ROMAN را در زیر مجموعههای دنبالهای طولانی از آرشیوهای UCR و UEA.
محک میزنیم،. و نشان میدهد که ROMAN یک نمایش جایگزین عملا مفید ارائه میکند که تأثیر آن بر دقت وابسته.
به کار است،. اما تأثیر آن بر کارایی اغلب مطلوب است.
کد است در https: //github. com/gon-uri/ROMAN موجود است.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.