• 深度时间序列
  • TCN
  • 时空序列
• Calibration

深度时间序列

https://mp.weixin.qq.com/s/cChJO6YrE_XAgeInS7J1Vw

130页序列推荐系统教程重磅发布

https://www.intechopen.com/books/time-series-analysis-data-methods-and-applications

开源新书《时间序列分析，数据/方法/应用》，6章110页pdf带你了解最新进展

https://mp.weixin.qq.com/s/7c9gfwNjuKD4XyrODnyS5w

时间序列预测：理论与实践，379页ppt阐述大规模时序预测工具与方法

https://mp.weixin.qq.com/s/seZ78Z6W_65T0GR_Jk7s1A

神经网络序列数据建模，229页ppt，Modeling Sequential Data with Neural Nets

https://mp.weixin.qq.com/s/zv264-dqDQYRkYmjX_QZpQ

郑宇解读地理传感器时间序列预测问题

https://mp.weixin.qq.com/s/JwRXBNmXBaQM2GK6BDRqMw

Kaggle网站流量预测任务第一名解决方案：从模型到代码详解时序预测

http://mp.weixin.qq.com/s/9fJT0dMLvYQdfMVvSEiG4A

深度学习的时间序列模型评价

https://www.zhihu.com/people/zhang-ke-xin-16-57/posts

一个时间序列方面的专栏

https://mp.weixin.qq.com/s/1Gdx-U3DRZtSJoFyCLnD0w

深度学习之Sequence Learning

https://mp.weixin.qq.com/s/SWKWI7BADnX43e-sCBxRPg

神经网络在算法交易上的应用系列——简单时序预测

https://mp.weixin.qq.com/s/Ux7XjLHzlaGFtM1uSMu2gQ

神经网络在算法交易上的应用系列——时序预测+回测

https://mp.weixin.qq.com/s/fUqQo0m7nMLZO85YG-duRw

神经网络在算法交易上的应用系列——多元时间序列

https://mp.weixin.qq.com/s/PS1SqSWckuHuyZP6d5ZUFw

“深度学习”信号处理和时序分析的最后选择？

https://zhuanlan.zhihu.com/p/54471673

基于前馈神经网络的时间序列异常检测算法

https://mp.weixin.qq.com/s/g9upS70qFOCFBMm-T5nI1A

利用深度学习最新前沿预测股价走势

https://mp.weixin.qq.com/s/otwmDtiDfVVID65RQgT4Uw

教你如何鉴别那些用深度学习预测股价的花哨模型？

https://mp.weixin.qq.com/s/xGUcqs3q3yNpVsJ8P7ag_g

以机器学习的视角来看时序点过程的最新进展

https://mp.weixin.qq.com/s/F0z5aEaigQLtlLfDoFIJXQ

时间序列预测：理论与实践教程，300多页PPT带你了解领域最新动态

https://zhuanlan.zhihu.com/p/83130649

深度学习在时间序列分类中的应用

https://mp.weixin.qq.com/s/iPpVT2iY4Ec6oYdsRpPeTQ

淘宝推荐系统中的深度序列匹配模型SDM

https://zhuanlan.zhihu.com/p/103012005

序列特征的处理方法之一：基于注意力机制方法

https://zhuanlan.zhihu.com/p/104216734

序列特征的处理方法之二：基于卷积神经网络方法

https://mp.weixin.qq.com/s/t-hRxqppW5m6abpvYvZTDg

序列循环神经网络，141页ppt，Sequences and Recurrent Network

https://mp.weixin.qq.com/s/pfQiTjUhgwBNz76sKpij1Q

使用2D卷积技术进行时间序列预测

https://mp.weixin.qq.com/s/M-tz_FVRbgOttbojG1Qe_Q

使用GANs生成时间序列数据：DoppelGANger论文详解

https://mp.weixin.qq.com/s/PT5t3q2_9GF7_Wqa-3AiZg

深度学习时序分类，175页pdf

https://mp.weixin.qq.com/s/UjuuspDnm7EoNzfVAeBHJQ

《时序分类:深度序列模型》教程，172页ppt

TCN

https://mp.weixin.qq.com/s/hE0elaJcywb084rmWZzTAw

告别RNN，迎来TCN！股市预测任务是时候拥抱新技术了

https://mp.weixin.qq.com/s/aQxK6JvoEev_jUXHJEGnhg

时间卷积网络TCN：时间序列处理的新模型

https://mp.weixin.qq.com/s/mIuAn4G9l3AKFAswpbaQdA

时间卷积网络（TCN）将取代RNN成为NLP预测领域王者

https://blog.csdn.net/Kuo_Jun_Lin/article/details/80602776

TCN_时间卷积网络_原理与优势

https://mp.weixin.qq.com/s/iLNuBSwWQ13sc4XfNzPuHw

RNN已老，TCN崛起！李飞飞团队提出口语语音识别新方法

https://zhuanlan.zhihu.com/p/188400946

时间卷积网络：时间序列的下一场革命？

https://mp.weixin.qq.com/s/CGcvWOhNWpboYaaEEtPmQw

时域卷积网络TCN详解：使用卷积进行序列建模和预测

时空序列

顾名思义，时空序列问题包含了时间和空间两个方面的因素。

https://mp.weixin.qq.com/s/x2Tpd1-prppwjRla-yvTZw

什么是时空序列问题？这类问题主要应用了哪些模型？主要应用在哪些领域？

https://mp.weixin.qq.com/s/mEt1K5OdJ4IZ7ugxEgWLVQ

Convolutional LSTM Network-paper reading

https://mp.weixin.qq.com/s/hnzjG09DDtiM4GUVIdxWPA

时空序列模型之STGCN

https://mp.weixin.qq.com/s/iiJIHVv84namKHtdvHaMBg

时空序列预测模型之轨迹GRU

https://mp.weixin.qq.com/s/bE_k9D9RFYXKn7dnTBb7AA

时空序列预测模型之CubicLSTM

https://mp.weixin.qq.com/s/XZWReRiIHqykN8yZulBiOg

混合时空图卷积网络：更精准的时空预测模型

https://mp.weixin.qq.com/s/olt_i6JxfslFSdbz0Dx4oA

用于深度时空图建模的Graph WaveNet

https://mp.weixin.qq.com/s/O09aiDmLFhoU9A7OLkUh2Q

时空图数据挖掘深度学习技术全面综述

https://mp.weixin.qq.com/s/40iqr-Yg4-CGe6QEsLpxhw

时空序列预测模型之LightNet

https://mp.weixin.qq.com/s/vA8lXb2-m3oXHYT1QUOukA

详解时空序列常用数据集之MovingMnist数据集

https://mp.weixin.qq.com/s/ss0Aj1XXn7ZQafhl-XXN6Q

时空序列预测模型之Self-Attention ConvLSTM

https://mp.weixin.qq.com/s/fgJ0xP7lsstGWOThPNCNgg

时空序列预测模型之DGGAN

https://mp.weixin.qq.com/s/MNPlpDmUZesLrJcwV2zM6g

时空序列预测模型之STSGCN

https://mp.weixin.qq.com/s/4VXXPSo0JoA-ClUV2OsyRQ

时空序列预测模型之Graph WaveNet

https://mp.weixin.qq.com/s/0FWHu1Du5bWJVAe308YUuA

序列知识蒸馏进展，44页ppt

https://mp.weixin.qq.com/s/a5OZeeWlePxs75pcqFBghA

使用LSTM深度学习模型进行温度的时间序列单步和多步预测

https://mp.weixin.qq.com/s/AJMi3SoIQ-uQC2HOkuYpdQ

时空数据挖掘深度学习技术全面综述

https://mp.weixin.qq.com/s/sT0CQEzYgukvENcyxJ8HUw

使用TensorFlow和深度混合学习进行时间序列预测

https://mp.weixin.qq.com/s/BtxSE5D5TMOMZ_yISkH4kg

时间序列预测方法最全总结

https://mp.weixin.qq.com/s/GeePyUCpc7w1PP7WywAW4A

时空数据分析综述论文，44页pdf

https://mp.weixin.qq.com/s/J2beHewMZpx6WZ0d4JIzGQ

如何利用Transformer建立时间序列预测模型

https://mp.weixin.qq.com/s/abXc9zU5VpKeQkIvEM5Jww

时间卷积神经网络

https://mp.weixin.qq.com/s/0QjRqFaU0DmcIemTws-xtw

时间序列数据的缺失填补方法总结

https://mp.weixin.qq.com/s/v3gHIAWyRDnLOGN1G6jw6Q

如何预测序列？看这份IJCAI2021亚马逊《大时间序列预测》教程

https://mp.weixin.qq.com/s/t2UFI_MYINgeBtRyW_VWQA

微观特征混合进行宏观时间序列预测

Calibration

使用Resnet模型简单的对一些图片任务进行训练，收敛后的模型对测试集的平均置信度高达80%-85%，然而只有将近70%的图片能被正确分对（红色代表分错，绿色代表分对）。这意味着啥？训练好的模型好像有点盲目自信，即出现overconfidence现象，或者可以称为模型的准确率和置信度不匹配（miscalibration）。

那么有没有办法让模型的softmax输出能真实的反映决策的置信度呢？ 这个问题，就被称为Calibration问题（直译是叫“校准”）。

https://mp.weixin.qq.com/s/KmkyhBijqqhaxDQ8p71BFA

Calibration: 一个工业价值极大，学术界却鲜有研究的问题！