long short-term memory
PulseAugur coverage of long short-term memory — every cluster mentioning long short-term memory across labs, papers, and developer communities, ranked by signal.
- developed by Recurrent Neural Networks 90%
- instance of Recurrent Neural Networks 90%
- instance of BiLSTM 90%
- instance of Bi-LSTM-AMSM: bidirectional long short-term memory network and attention mechanism with semantic mining for e-commerce web page recommendation 90%
- competes with Mass-Conserving Perceptron 75%
- used by ScienceCast 70%
- instance of DagsHub 70%
- used by DagsHub 70%
- used by Gotit.pub 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- used by convolutional neural network 70%
- 2026-05-14 research_milestone A hybrid LSTM model achieved the lowest final displacement error in dynamic movement forecasting. 来源
12 天有情绪数据
-
新研究解决了循环神经网络的记忆和效率问题
两篇新研究论文探讨了用于处理序列数据的循环神经网络的进展。第一篇论文“DeltaTTT”介绍了一种用于非线性循环记忆网络的层优化技术，旨在通过解决优化难题来提高其在语言建模和检索任务中的性能。第二篇论文“MemKD”提出了一种专门为紧凑型循环神经网络设计的知识蒸馏框架，使小型模型能够在资源受限的环境中为时间序列分析保留大型模型的性能。
-
EMD-LSTM-Markov模型在建筑热负荷预测精度方面领先
一篇新论文综述了用于建筑热负荷短期预测的混合预测模型，比较了各种数据驱动技术。研究发现，经验模态分解-长短期记忆-马尔可夫（EMD-LSTM-Markov）模型在预测提前一天供暖和生活热水需求方面取得了最高的准确性。虽然该模型准确预测了局部电力峰值，但它低估了高功率浪涌和尖峰。其他评估的方法，如SVM-SA和RF-ISSA-LSTM，产生了更平滑的需求曲线，但峰值预测精度较低。
-
新的数据集和方法推动深度伪造检测对抗复杂的AI工具 · 跟踪3个来源
研究人员开发了新的数据集和方法来检测深度伪造，特别是那些由先进的商业工具生成的。一项研究介绍了CCDF，这是一个专注于真实世界监控录像的数据集，由Grok Imagine、Google Veo 3.1和OpenAI Sora 2等领先系统生成，发现当前的检测器难以处理这种写实内容。另一篇论文探讨了深度伪造检测的缩放定律，构建了大规模的ScaleDF数据集，并观察到与LLM相似的幂律缩放，这使得性能预测和以数据为中心的应对策略成为可能。…
-
DeepStratNet框架将地震层位追踪从分割重构为回归
研究人员开发了DeepStratNet，一个新颖的地震层位追踪框架，将任务从密集语义分割重构为有界坐标回归。该方法直接预测每个横向位置的地层的时间/深度坐标，并结合LSTM模块来模拟切片间的上下文并确保连续性。该方法在来自新西兰的地震数据上进行了评估，与传统的分割方法相比，在定量和定性性能上均表现更优，尤其是在稀疏标签条件下。
-
核岭回归推动动力学系统建模
研究人员开发了一个新的框架，使用核岭回归（KRR）来模拟动力学系统中缺失的组件。该方法同时处理常微分方程（ODE）和偏微分方程（PDE）设置中的差分方程闭合，以及动理学方程中的矩闭合代数闭合。在 Lorenz-63 系统和 Kuramoto-Sivashinsky 方程上的实验表明，KRR 实现了准确的长期预测，优于基于 LSTM 的闭合模型。该研究还探讨了动理学方程的矩闭合，比较了全局 KRR 模型和空间局部模型，发现局部模型在双峰…
-
研究质疑混合人工智能模型在金融预测中的有效性
一篇题为“信号简化并非预测简化：诊断短期波动中的残差神经网络预测”的新研究论文，探讨了混合统计-神经网络模型在金融预测中的有效性。研究发现，虽然统计第一阶段可以简化残差目标，但这种简化并不一定会提高下游神经网络（如LSTM）的性能。事实上，与单独使用纯LSTM模型或统计模型相比，混合方法有时会导致更高的均方误差和更长的运行时间。该论文引入了“预测器-预处理器不对称”的概念来描述这种现象，表明成功的统计预测并不自动转化为有用的神经网络预处理。
-
强化学习在复杂的金融交易动态中面临挑战
研究人员探索了近端策略优化（PPO），一种强化学习算法，在具有分析求解动态的连续时间经纪人-交易者博弈中的应用。他们发现，虽然PPO在简单条件下可以近似最优策略，但在涉及随机订单流的复杂场景中却举步维艰。研究还表明，分析解可以作为诊断RL性能的宝贵基准，并作为策略适应的有效起点。
-
LSTM 详解：神经网络如何记住长期信息
本文详细介绍了长短期记忆（LSTM）网络，这是一种循环神经网络（RNN），旨在克服基本RNN在记忆长序列信息方面的局限性。文章分解了LSTM的核心组件，包括细胞状态和三个关键门（遗忘门、输入门和输出门），它们负责调节信息流。该博文旨在揭开梯度消失问题的神秘面纱，并提供分步指南，包含方程、数值示例和用于训练LSTM的Keras代码。
-
新的Chordonomicon数据集提供66.6万首歌曲的和弦进行
研究人员推出Chordonomicon，一个包含超过66.6万首歌曲级符号和弦进行的新数据集。该数据集比现有数据集规模更大，并包含结构部分、流派和发布日期的注释。随附的研究还提出了一个用于下一个和弦预测的基准套件，评估了循环神经网络、门控循环单元和长短期记忆架构。实验表明，结构注释可提高预测性能，并且该数据集可作为未来音乐理解模型的开放基准。
-
新研究优化剩余使用寿命预测以实现预测性维护
一篇新研究论文探讨了在预测性维护中优化剩余使用寿命（RUL）预测的超参数选择。该研究引入了一种多目标优化方法，该方法平衡了早期和晚期预测误差，这两种误差通常具有不对称的后果。通过联合优化准确性和预测及时性，该方法在 NASA C-MAPSS 数据集上显著减少了方向性不平衡，提高了预测的校准度。研究还发现，更简单的模型架构在此任务上的表现通常与更复杂的时间模型相当或更好。
-
深度学习框架提升巴西大豆产量预测能力
研究人员开发了一种新的深度学习框架用于预测作物产量，该框架已在巴西大豆产量上进行了测试。该框架仅使用常规天气数据和两个静态输入（作物年份和农业环境标签），使其具有输入节俭和可迁移性。包括 Transformer 和 Mamba 在内的各种深度学习模型与传统方法进行了基准测试，其中 Transformer 模型取得了最高的准确性。该研究还使用 SHAP 诊断分析了特征重要性，揭示了作物年份影响长期趋势，而天气和农业环境因素驱动年度变化。
-
新AI系统高精度检测铁路车门异常
研究人员开发了一种名为TCAA-CS的新型铁路车门异常检测系统，该系统利用周期感知自动编码器处理物理测量和逻辑状态。该系统旨在通过将每个车门周期视为一个监控单元，并将重构误差、潜在空间偏差和相位感知跨信号一致性融合为混合异常分数来识别稀有且多样的故障。在真实工业数据上进行测试，TCAA-CS在低误报率下表现出高召回率和高精确率，并且其在NVIDIA Jetson AGX Xavier上进行了实时车载部署的可行性得到了证实。
-
单变量深度学习模型在波高预报中收益递减
一篇新的arXiv论文探讨了单变量深度学习模型在预报显著波高（Hs）方面的局限性。研究发现，尽管DLinear、LSTM、PatchTST、ResAttLstm和Mamba2等模型可以优于持久性预报，但在大型数据集上，架构差异带来的收益很小。研究表明，当前的单变量模型已达到收益递减的程度，而跨浮标方差比模型架构对预报误差的影响更大。未来的工作应侧重于纳入大气协变量并将Hs分解为涌浪和风浪成分。
-
新研究揭示动态张量重构在深度神经网络训练中存在不稳定性
研究人员在动态张量重构（DTR）中发现了确定性不稳定性与可行性反转，DTR 是一种在内存受限情况下训练深度神经网络的逐出策略。他们使用执行跟踪在参考模拟器上进行的分析显示，内存预算的微小差异可能导致执行速度的巨大差异，甚至引发内存不足错误。研究表明，这些问题源于 DTR 中特定的评分项，表明存在不同的病理而非单一的根本机制。
-
受量子启发的QiKAN模型在中子监测器时间序列预测中领先
一篇新研究论文探讨了用于Lomnicky Stit中子监测器时间序列数据预测的各种模型。该研究将简单的季节性基线与LSTM、TCN、N-BEATS和Kolmogorov-Arnold Networks (KAN)等先进的深度学习架构，以及两种受量子启发的变体QiLSTM和QiKAN进行了比较。结果表明，受量子启发的QiKAN模型实现了最低的预测误差，尽管基本的Seasonal Naive模型也表现出竞争力。研究结果表明，具有强大季节性…
-
流匹配模型高精度预测飞机轨迹
研究人员开发了FlowATC，一种使用流匹配技术预测飞机轨迹的新型架构。该模型在旧金山湾区超过一百万个自动相关监视广播（ADS-B）轨迹窗口上进行训练，能够准确重现历史交通模式和空域结构。在轨迹预测精度方面，FlowATC优于长短期记忆（Long Short-Term Memory）和条件变分自编码器（Conditional Variational Autoencoders）等基线模型，其中条件流匹配（Conditional Flow…
-
LLM 生成合成制造业数据，性能优于传统方法
研究人员开发了一种使用大型语言模型 (LLM) 为制造过程生成合成时间序列数据的新方法。该方法解决了制造业中标记数据有限的常见挑战，而这通常会阻碍有效机器学习模型的创建。通过微调 LLM 并采用检索增强生成 (RAG)，该框架旨在捕捉复杂的时间依赖性并生成逼真的数据。与 ARIMA 和 LSTM 等传统方法相比，包括 PCA 分析和异常检测任务在内的评估表明，LLM 驱动的框架生成的数据质量更高，并提高了下游性能。
-
新的HyCoSeq框架使用双曲几何进行基因组序列学习
研究人员开发了HyCoSeq，一个使用双曲几何学习基因组序列表示的新框架。该方法结合了加权洛伦兹残差聚合和双向长短期记忆网络，以捕捉DNA序列中的上下文关系。实验表明，即使没有广泛的预训练，HyCoSeq在与更大的预训练DNA语言模型相比时也表现出竞争力。
-
WaveHiTS模型利用小波和层次化方法增强风向预测
提出了一种名为WaveHiTS的新模型用于风向预测，该模型集成了小波变换和层次化时间序列方法。该方法将风向分解为U-V分量，并利用小波变换捕捉多尺度频率模式，有效减少了多步预测中的误差传播。在中国内蒙古的数据实验表明，WaveHiTS显著优于各种深度学习和基于Transformer的模型，RMSE值约为19.2°-19.4°，而循环模型则超过56°，在长达60分钟的预测中表现稳健。
-
新AI系统利用音频跟踪隐藏车辆
研究人员开发了一种新颖的两阶段系统，利用音频表示来检测和跟踪隐藏的动态对象。第一阶段涉及受联合嵌入预测架构（JEPA）的启发，在原始音频波形上进行自监督预训练，以根据过去的上下文预测未来的音频片段。随后，使用具有三个分类头的双向LSTM进行监督多任务微调，以估计车辆数量、类型和到达方向。该系统在一个新收集的数据集上进行了评估，与现有方法相比表现出优越的性能，并显示出可转移到未见过的驾驶场景的鲁棒表示。