时空时间序列预测在许多现实世界应用中起着关键作用。尽管在这一领域已经取得了显著进展,但完全捕捉和利用时空异质性仍然是一个基本挑战。因此,我们提出了一种新颖的异质性知情的元参数学习方案。具体而言,我们的方法通过学习空间和时间嵌入隐式地捕捉时空异质性,这可以看作是一个聚类过程。然后,提出了一种新的时空元参数学习范式,从元参数池中学习时空特定的参数,这些参数是由捕捉到的异质性信息提供的。 基于这些想法,我们开发了一种用于时空时间序列预测的异质性知情时空元网络(HimNet)。在五个广泛使用的基准数据集上进行了广泛的实验,结果表明我们的方法达到了最先进的性能,同时表现出优越的可解释性。我们的代码可在 https://github.com/XDZhelheim/HimNet 获取。

成为VIP会员查看完整内容
17

相关内容

【NeurIPS2023】从视觉-语言基础模型中提取分布外鲁棒性
专知会员服务
13+阅读 · 2023年11月4日
【AAAI2023】不确定性感知的图像描述生成
专知会员服务
24+阅读 · 2022年12月4日
【CVPR2022】提示分布学习
专知会员服务
29+阅读 · 2022年5月17日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
10+阅读 · 2021年6月20日
专知会员服务
19+阅读 · 2021年4月15日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
50+阅读 · 2020年12月1日
【ACMMM2020】零样本语义分割的上下文感知特征生成
专知会员服务
15+阅读 · 2020年8月21日
【AAAI2023】用于图对比学习的谱特征增强
专知
18+阅读 · 2022年12月11日
【CVPR2021】跨模态检索的概率嵌入
专知
17+阅读 · 2021年3月2日
【AAAI2021】自监督对应学习的对比转换
专知
12+阅读 · 2020年12月11日
【MIT】硬负样本的对比学习
专知
13+阅读 · 2020年10月15日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
31+阅读 · 2015年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
13+阅读 · 2013年12月31日
Arxiv
140+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
343+阅读 · 2023年3月31日
Arxiv
58+阅读 · 2023年3月26日
Arxiv
121+阅读 · 2023年3月24日
Arxiv
18+阅读 · 2023年3月17日
VIP会员
相关VIP内容
【NeurIPS2023】从视觉-语言基础模型中提取分布外鲁棒性
专知会员服务
13+阅读 · 2023年11月4日
【AAAI2023】不确定性感知的图像描述生成
专知会员服务
24+阅读 · 2022年12月4日
【CVPR2022】提示分布学习
专知会员服务
29+阅读 · 2022年5月17日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
10+阅读 · 2021年6月20日
专知会员服务
19+阅读 · 2021年4月15日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
50+阅读 · 2020年12月1日
【ACMMM2020】零样本语义分割的上下文感知特征生成
专知会员服务
15+阅读 · 2020年8月21日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
31+阅读 · 2015年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
13+阅读 · 2013年12月31日
微信扫码咨询专知VIP会员