Questo documento affronta le sfide legate all'estrazione di modelli e modelli latenti
dipendenze contestuali in dati di sequenze complesse. Un modello di mining in sequenza
l'algoritmo è proposto integrando la memoria bidirezionale a lungo termine
(BiLS™) con un meccanismo di attenzione multiscala. Il BiLSTM cattura entrambi
dipendenze avanti e indietro nelle sequenze, migliorare l’abilità del modello
percepire le strutture contestuali globali. Allo stesso tempo, la multiscala
il modulo di attenzione assegna pesi adattivi alle regioni con caratteristiche chiave di seguito
diverse dimensioni delle finestre. Ciò migliora la reattività del modello sia a livello locale
e informazioni importanti a livello globale. Vengono condotti esperimenti approfonditi su a
set di dati di serie temporali multivariate pubblicamente disponibili. Il modello proposto è
rispetto a diversi metodi di modellazione di sequenze tradizionali. I risultati lo mostrano
supera i modelli esistenti in termini di precisione, precisione, e ricordare.
Ciò conferma l’efficacia e la robustezza dell’architettura proposta in
compiti complessi di riconoscimento di modelli. Ulteriori studi sull'ablazione e sensibilità
vengono effettuate analisi per indagare gli effetti della scala di attenzione e
lunghezza della sequenza di input sulle prestazioni del modello. Questi risultati forniscono empirici
supporto per l’ottimizzazione strutturale del modello.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: