长短期记忆（LSTM）是一种用于深度学习领域的人工递归神经网络（RNN）架构。与标准前馈神经网络不同，LSTM具有反馈连接。它不仅可以处理单个数据点（例如图像），而且可以处理整个数据序列（例如语音或视频）。例如，LSTM适用于诸如未分段的连接手写识别，语音识别和网络流量或IDS（入侵检测系统）中的异常检测之类的任务。常见的LSTM单元由单元，输入门，输出门和忘记门组成。单元会记住任意时间间隔内的值，并且三个门控制着进出单元的信息流。LSTM网络非常适合基于时间序列数据进行分类，处理和做出预测，因为时间序列中重要事件之间可能存在未知持续时间的滞后。开发LSTM是为了解决训练传统RNN时可能遇到的梯度消失问题。与缝隙长度相对不敏感是LSTM在众多应用中优于RNN，隐马尔可夫模型和其他序列学习方法的优势。
The Interpretability of LSTM Models for Predicting Oil Company Stocks: Impact of Correlated Features
Arxiv
0+阅读 · 2023年12月20日
Arxiv
0+阅读 · 2023年4月20日
Arxiv
0+阅读 · 2023年4月5日
Arxiv
0+阅读 · 2023年3月27日
Arxiv
0+阅读 · 2023年2月23日
Arxiv
0+阅读 · 2022年12月23日
Arxiv
0+阅读 · 2022年8月6日
Arxiv
0+阅读 · 2022年3月22日
Arxiv
0+阅读 · 2022年3月11日
微信扫码咨询专知VIP会员