type
status
date
slug
summary
tags
category
icon
password
阅读概括
1. reader：读者姓名
2. journal/conference：填写期刊或者会议简称及发表时间，如NeurIPS2023
3. title：文章标题
4. author：文章的一作和通讯
5. paper_url：文章的pdf链接
6. code_url：文章若有开源代码，给出开源代码链接
7. task：文章针对的是什么任务，在这些里面选：
1. Classification（分类）
2. Imputation（补全）
3. Prediction （预测）
4. Anomaly detection（异常检测）
5. Clustering （聚类）
6. Compression（压缩）
7. 其它的注明一下
8. domain：文章涉及的是什么领域
1. General（通用领域）
2. Traffic（交通）
3. Healthcare （健康）
4. Finance （金融）
5. Education （教育）
9. challenge：文章要解决的challenge是什么，总结成几条自然语言句子
10. method：文章的方法是基于什么的，在这些里面选：
1. Transformer-based
2. GNN-based
3. Diffusion model-based
4. GAN-based
5. RNN-based
6. TCN-based
7. AE/VAE-based
8. MLP-based
9. 其它的注明一下
11. intuition：用一两句话总结一下作者做这个工作的出发点，想法是什么
12. setting：文章实验的任务设置是什么
1. Supervised learning
2. Unsupervised learning
3. Semi-supervised learning
4. Self-supervised learning
13. improvements：文章的工作相较于以往的工作提升在哪里
14. dataset：文章在哪些dataset上做了实验
TS相关论文收集仓库：
TSFpaper
ddz16 • Updated Jan 13, 2024
2023/11/09
2023/11/28
2023/12/06
2023/12/13
论文总结
Titile
Journal/Conference
task
method
domain
challenge
ICLR2023
classification
imputation
prediction/forecasting
anomaly detection
CNN/TCN
general
1. Complex Temporal Patterns: The intermixing and overlapping of various changes (such as rising, falling, fluctuating, etc.) in time series add complexity to modeling efforts.
2. Long-term Dependencies: Existing methods like RNNs, TCNs, and Transformers struggle to effectively capture long-term dependencies in time series.
3. Multi-periodicity: Time series often exhibit multi-periodicity, where the interaction of multiple periods further complicates the modeling process.
- 作者:王大卫
- 链接:https://tangly1024.com/article/essay-time-series
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。