新的RRN框架解决预测模型中的时空分布偏移问题

研究人员推出了一种名为可逆残差归一化（RRN）的新框架，旨在解决深度预测模型中的分布偏移问题，尤其是在复杂时空领域。RRN将图卷积运算集成到可逆残差块中，执行空间感知变换，以解决空间和时间维度上的偏移。通过结合中心归一化和谱约束图神经网络，该方法旨在捕捉和归一化复杂时空关系，同时保持可逆性，从而实现对动态系统的鲁棒预测。 AI

影响 这项新的归一化技术有望提高用于预测复杂时空数据的AI模型的可靠性。

排序理由 该集群包含一篇详细介绍深度预测模型新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Center Normalization
• graph convolutional operations
• Hugging Face
• instance normalization
• Reversible Residual Normalization
• spectral-constrained graph neural networks
• Zhaobo Hu

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →