时序论文分享

用自监督学习方法揭示临床上EEG信号的结构

Objective:

监督学习方案常常受到可用标记数据数量的限制。这种现象在临床相关数据中尤其成问题，如脑电图(EEG)，在这些数据中，根据专业知识来标记代价昂贵。目前，设计用于脑电图数据学习的深度学习架构产生了相对较浅的模型，其性能至多与传统的基于特征的方法相似。然而，在大多数情况下，会有大量没有标记的数据。通过从这些未标记的数据中提取信息，尽管无法获取标签，但仍然有可能通过深度神经网络达到竞争性能。

Read more »

1 -Transfer Learning for Anomaly Detection through Localized and Unsupervised Instance Selection

Vincent Vercruyssen

2020 AAAI

提出LOCIT算法：1、选择源域(带标签)中的子集迁移到目标域(不带标签)中。2、使用半监督最近邻的方法同时考虑带标签和不带标签的实例来计算异常分数。

ACM MM 2020

Abstract

由于主观的标注过程和不同的采集条件，不同的表情识别数据集之间难免存在数据不一致和偏差。最近的研究求助于学习领域不变特性的对抗机制来减轻领域转移。

这些研究大多侧重于整体特征的适应，而忽略了更容易跨不同数据集转移的局部特征

局部有限元具有更详细、更有辨别力的内容，因此结合局部特征可以实现细粒度的适应

在这项工作中，我们提出了一种新的对抗图表示适应(AGRA)框架，该框架将图表示传播与对抗学习统一起来，用于跨域全局-局部特征的协同适应

1 Abstract 概要

用数据的多个视图来做表示学习是当前自监督学习的热点。尽管这方面的应用很成功，但是很少有人研究怎么选择好的视图来做表示学习。本文运用理论和实证分析来更好地理解视图选择的重要性，得出的结论，在给定下游任务时，视图之间的互信息恰好都仅与下游任务有关，这时候下游任务能取得最好的结果。除此之外，本文还设计了一种半监督的方法，用来学习如何生成最好的视图。

自编码器-异常检测

DEEP SEMI-SUPERVISED ANOMALY DETECTION（2020 ICLR）

1.优点（解决的问题）。

• 在半监督异常检测方法中，除了利用无标签的样本，大多数监督方法只利用了标记出来的正常样本，本方法同时利用的标记的正常样本和异常样本。

• 在Mnist，fashion-mnist、cifar-10和其他异常检测基准数据集上，与浅层的方法、混合的方法以及深度的方法比较， 效果相当或者比它们好。

• 使用很少的有标签样本能够明显提高效果。

ICCV, 2020

概要

autoencoder被广泛应用到异常检测.

前提假设:在正常的数据上训练, 在异常样本上会有较大的重构误差, 使用重构误差作为检测异常的标准.

anoGan

Paper：Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

2017, IPMI ( Information Processing in Medical Imaging )

生物医学影像与影像引导治疗系, 奥地利维也纳医科大学

数据类型为医学影像, 光学相干层析成像(Optical Coherence tomography, OCT)技术

论文信息

论文：Multi-Horizon TimeSeries Forecasting with Temporal Attention Learning

会议：KDD 2019

作者：

Introduction

时间序列预测问题是研究如何在历史观测的基础上准确地预测未来。提高预测精度有利于提高社会各方面的运行效率

摘要

本文提出了一种新颖的数据驱动方法来解决多水平概率预测任务，该任务可预测未来时间范围内时间序列的完整分布。本文说明，历史信息中隐藏的时间模式在长时间序列的准确预测中起着重要作用。传统的方法依赖于人工建立时间依赖关系来探索历史数据的相关模式，这在现实世界数据的长期序列预测中是不现实的。相反，本文提出显示地学习用深层神经网络构建隐藏模式表征，并关注历史的不同部分来预测未来。

本文提出了一个用于多水平时间序列预测的端到端深度学习的框架，通过时间注意机制，以更好地捕捉历史数据中的潜在模式。基于学习到的潜在模式特征，可以同时生成多个未来水平的多分位数的预测。本文还提出了一种多模式融合机制，该机制用于组合历史不同部分的特征以更好地预测未来。实验结果表明，本文的方法在两个不同领域的大型预测数据集上均实现了最先进的性能。

论文信息

论文：Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting

会议：NIPS 2020

作者：

Introduction

摘要

在相关的时间序列数据中对复杂的空间和时间相关性进行建模对于理解交通动态并预测不断发展的交通系统的未来状态是必不可少的。 最近的工作专注于设计复杂的图神经网络，以借助预定义的图捕获共享模式。在本文中，作者认为，学习节点特定的模式对流量预测至关重要，同时可避免使用预定义的图

Read more »