用于分类基于因果性和局部相关性的网络
Causal and Local Correlations Based Network for Multivariate Time Series Classification代码https://github.com/dumingsen/CaLoNet面向多元时间序列分类MTSC的深度学习模型核心创新是融合因果空间关联 局部时序关联用迁移熵构建显式因果图 稀疏自注意力提取局部依赖再通过 GIN 图网络完成分类在 UEA 21 个数据集上达到 SOTA 级性能。一、研究背景二、现有研究存在的核心问题三、本文核心创新点四、方法详细完整拆解CaLoNet 共4 个核心步骤1-因果关联矩阵构建2-局部关联特征提取3-GIN 图节点嵌入4-MLP 分类五、实验内容六、实验结果七、总结、局限与未来方向
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2532043.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!