Temporal Fusion Transformers for interpretable multi-horizon time series forecasting
PulseAugur coverage of Temporal Fusion Transformers for interpretable multi-horizon time series forecasting — every cluster mentioning Temporal Fusion Transformers for interpretable multi-horizon time series forecasting across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 GeoCat 网络提高了 IVUS 图像分割的临床准确性
研究人员开发了 GeoCat，这是一种新颖的几何一致性网络，旨在实现血管内超声 (IVUS) 图像的稳健分割。该模型解决了标准方法中常见的边界漂移和拓扑错误问题，这些问题可能影响临床测量。GeoCat 使用双笛卡尔-极坐标编码器和跨域注意力及时间融合来处理 IVUS 图像，并结合了可微分几何一致性损失来监督直径和面积等临床相关描述符。GeoCat 在大型数据集上进行了训练，在斑块负荷量化的几何保真度和准确性方面显示出显著的改进。
-
深度学习模型可预测阿尔茨海默病进展并进行不确定性估计 · 已追踪 4 个来源
研究人员开发了一个深度学习框架，以提高阿尔茨海默病进展预测的准确性和不确定性估计。该概率模型改编自时间融合 Transformer，可预测未来五年内的诊断状态和生物标志物水平，在 ADNI 数据集上优于现有基线。该系统还将不确定性分解为偶然不确定性和认知不确定性成分，在较罕见的进展类型以及轻度认知障碍或痴呆症患者中观察到较高的认知不确定性。
-
AI框架通过迁移学习增强跨建筑能源预测能力
研究人员开发了一种新的迁移学习框架，用于不同建筑之间的能源预测，并利用了时间融合Transformer (TFT)。该方法旨在通过最少的目标域数据需求和可靠的不确定性估计，提高区域级能源管理的可扩展性和鲁棒性。该框架表现强劲，其中一种特定的微调策略优于完全模型重新训练，而蒙特卡洛Dropout则能有效估计预测区间。
-
深度学习模型以465倍的速度预测气候临界点事件
研究人员开发了一种深度学习模型，即时间融合Transformer（TFT），用于模拟复杂的气候模拟。该模型能够以高精度预测关键的气候临界点事件，例如海洋崩溃，跨越数千个时间步。新的代理模型提供了显著的计算加速，实现了465倍的模拟速度提升，同时保持了可微分性，便于参数和初始条件分析。