文章 "神经网络变得简单(第 96 部分):多尺度特征提取(MSFformer)"

 

新文章 神经网络变得简单(第 96 部分):多尺度特征提取(MSFformer)已发布:

高效提取与集成长期依赖关系和短期特征,仍然是时间序列分析中的一项重要任务。它们的正确理解及整合,对于创建准确可靠的预测模型是必要的。

MSFformer 模型作者提出了一种创新的不同时间间隔的金字塔关注度机制架构,其为他们方法的底线。此外,为了在输入数据中构造多级时态信息,他们在大尺度构造模块 CSCM粗尺度构造模块)中采用了特征卷积。这允许他们在更粗略的级别上提取时态信息。

CSCM 模块构造了所分析时间序列的特征树。于此,输入首先通过一个全连接层,以便将特征维度转换为固定大小。然后实用若干顺序的、专门设计的 FCNN 特征卷积模块。

在 FCNN 模块中,首先使用给定的交叉步长从输入序列中提取数据来形成特征向量。然后,这些向量被组合起来。组合后的向量随即交予卷积运算。作者对 FCNN 模块的可视化如下所示。

作者提出的 CSCM 模块用到了若干个连续的 FCNN 模块。它们中的每一个都使用前一个模块的结果作为输入,提取更大尺度的特征。

作者:Dmitriy Gizlyk

该网站使用cookies。了解有关我们Cookies政策的更多信息。