机构名称：
¥ 13.0
时间序列模型专门研究数据流中的观测和多个特征之间的相互作用之间的时间依赖性。在过去的十年中，深度学习模型（DL）模型在compoter愿景和自然语言处理中取得了前所未有的成功已稳定地渗透到时间序列任务上。从复发的神经网络到变形金刚，建筑设计方面的新进步改善了功能和性能。尽管取得了成功，但我确定了采用当前最新方法（SOTA）方法的挑战，包括处理分配变化和缺少数据，计算复杂性和可解释性。DL模型的成功通常归因于其自动发现有用数据表示的能力。多元时间序列模型涉及具有许多时间序列和时间观察的高维对象。但是，它们经常表现出强烈的时间依赖性和功能间关系。在本论文中，我建议设计DL架构和算法，以预测和异常检测任务，以利用这些依赖性来诱导满足所需属性的表述有效学习，这些属性可以（i）改善模型的性能，（II）通过促进域的良好性来改善域的稳健性，以降低量表性，以降低量准化的量表，以降低量准化。完成的工作分为三个部分，展示了七种新颖的模型类型和算法，这些算法在各种任务中实现了最新的性能，同时解决了关键的采用挑战。在第一部分中，我探讨了动态的潜在空间原理和设计潜在的时间表示，以制作可靠的异常检测和预测模型。在第二部分中，我为基于新型的非线性频率分解与小波理论的连接提供了一种新颖的可扩展且可解释的预测模型。它还具有两种扩展，用于将多元外源协变量用于高影响力结构域，包括能量和医疗保健。最后，在第三部分中，我提出了一项关于模型设计和数据特征的支持条件的大规模研究，用于在时间序列任务上的预训练模型的可传递性。
朝向务实的多元时间序列建模
主要关键词
相关文件推荐
