FNN-VAE for noisy time series forecasting
在这个关于使用假最近邻 (FNN) 损失进行预测的迷你系列的最后一部分中，我们用卷积 VAE 替换了上一篇文章中的 LSTM 自动编码器，从而实现了相同的预测性能，但训练时间明显缩短。此外，我们发现，当底层确定性过程被大量噪声所掩盖时，FNN 正则化会大有帮助。
Time series prediction with FNN-LSTM
在最近的一篇文章中，我们展示了如何使用由假最近邻 (FNN) 损失正则化的 LSTM 自动编码器来重建非线性混沌动态系统的吸引子。在这里，我们探讨了同样的技术如何帮助进行预测。与容量相当的“原始 LSTM”相比，FNN-LSTM 可以提高一组非常不同的真实世界数据集的性能，尤其是对于多步预测中的初始步骤。
IEEE Transactions on Fuzzy Systems, Volume 33, Issue 1, January 2025
1) 模糊深度神经网络学习在情绪分析中的特邀编辑专题作者：Gautam Srivastava、Chun-Wei Lin页数：1 - 22) Fcdnet：基于模糊认知的多模态情绪分析动态融合网络作者：Shuai Liu、Zhe Luo、Weina Fu页数：3 - 143) 多模态情绪分析的联合客观和主观模糊性去噪作者：Xun Jiang、Xing Xu、Huimin Lu、Lianghua He、Heng Tao Shen页数：15 - 274) 使用模糊深度神经网络学习探索情绪分析的多模态多尺度特征作者：Xin Wang、Jianhui Lyu、Byung-Gyu Kim、B. D. Pa
