短视的深度学习

深树转换-简短调查

Deep Tree Transductions - A Short Survey

University of Pisa（比萨大学）

该论文从学习同构结构转换的非平凡形式的角度调查了最近对长短期记忆网络进行的扩展，以处理树结构。它提供了现代TreeLSTM模型的讨论，显示了树处理方向引起的偏差的影响。在现实世界的基准进行实证分析，强调如何没有一个单一的模型足以有效地处理所有的转导问题。

2019-02-05cs.LGcs.NEstat.ML

用于建筑物短期负荷预测的堆叠式Boosters网络结构

Stacked Boosters Network Architecture for Short Term Load Forecasting in Buildings

VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）

本文提出了一种新的深度学习架构，用于建筑物能源负荷的短期负荷预测。该架构基于一个简单的基础学习器和多个增强系统，这些系统被建模为单个深度神经网络。该架构将原始的多变量时间序列转换为多个级联的单变量时间序列。结合稀疏交互、参数共享和等变表示，这种方法可以对抗过拟合，同时仍然可以通过深度网络架构实现良好的表示能力。该架构进行了评估，在几个短期负荷预测任务的能源数据从办公楼在芬兰。所提出的架构优于国家的最先进的负荷预测模型在所有的任务。

2020-04-16cs.LGstat.ML

深度RL的自动课程学习：一个简短的调查

Automatic Curriculum Learning For Deep RL: A Short Survey

Inria（法国国家信息与自动化研究所）；OpenAI（开放人工智能研究中心）；Microsoft Research（微软研究院）

自动课程学习（ACL）已成为深度强化学习（DRL）最近取得成功的基石。这些方法通过向智能体挑战适合其能力的任务来塑造智能体的学习轨迹。近年来，它们已被用于提高样本效率和渐近性能，组织探索，鼓励推广或解决稀疏奖励问题等。这项工作的野心是双重的：1）提出了一个紧凑和易于访问的介绍自动课程学习文学和2）绘制一个更大的图片ACL的艺术现状，以鼓励现有概念的杂交繁殖和新思想的出现。

2020-05-28cs.AIcs.LGstat.ML

深层RNN的短时记忆

Short-term Memory of Deep RNN

University of Pisa（比萨大学）

深度学习向时态数据处理的扩展正在获得越来越多的研究兴趣。在本文中，我们研究了深度递归神经网络（RNN）在短期记忆能力方面的连续层次中发展的状态动力学特性。我们的研究结果揭示了有趣的见解，揭示了分层作为RNN设计因素的本质。值得注意的是，分层组织的RNN架构中的更高层导致固有地偏向于更长的记忆跨度，甚至在训练循环连接之前。此外，在储备池计算框架的背景下，我们的分析还指出了分层递归组织作为提高水库模型记忆技能的有效方法的好处。

2018-02-02cs.AIcs.LGmath.DS

基于双向长短期记忆深度残差网络的多语音不流畅检测

Detecting Multiple Speech Disfluencies using a Deep Residual Network with Bidirectional Long Short-Term Memory

Queen's University（女王大学）

口吃是一种语言障碍，每天影响着数千万人。即使有其共同性，也很少有关于口吃语音识别和分类的数据和研究。本文解决了不同形式的口吃的检测和分类的问题。相对于大多数现有的作品，识别口吃的语言模型，我们的工作提出了一个模型，仅依赖于声学特征，允许识别口吃不流利的几个变化，而不需要语音识别。我们的模型使用深度残差网络和双向长短期记忆层来分类不同类型的口吃，并实现了10.03%的平均失误率，比最先进的水平高出近27%

2019-10-17cs.LGcs.SDeess.AS

DeepXML：一个应用于短文本文档的深度极限多标签学习框架

DeepXML: A Deep Extreme Multi-Label Learning Framework Applied to Short Text Documents

IIT Delhi（印度理工学院德里分校）；Microsoft Research（微软研究院）；Microsoft（微软）

可扩展性和准确性是深度极端多标签学习中公认的挑战，其目标是训练架构，以便从极大的标签集合中自动注释具有最相关标签子集的数据点。本文开发了DeepXML框架，通过将深度极端多标签任务分解为四个更简单的子任务来解决这些挑战，每个子任务都可以准确有效地训练。为四个子任务选择不同的组件，使DeepXML能够生成一系列算法，在准确性和可扩展性之间进行不同的权衡。特别是，DeepXML产生的Astec算法可以比现有短文本数据集上的领先深度极端分类器准确2-12%，训练速度快5- 30倍。Astec还可以在包含多达6200万个标签的Bing短文本数据集上进行有效的训练，同时每天在商品硬件上对数十亿用户和数据点进行预测。这使得Astec能够部署在Bing搜索引擎上，用于许多短文本应用程序，从匹配用户查询到广告商出价短语，到显示个性化广告，与目前生产的最先进技术相比，它在点击率，覆盖率，收入和其他在线指标方面取得了显着的进步。DeepXML的代码可以在https://github.com/Extreme-classification/deepxml上找到

2021-11-12cs.IRcs.LG

基于深度神经网络的i向量映射的短话语说话人确认

Deep neural network based i-vector mapping for speaker verification using short utterances

University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Snap Inc（Snap公司）

由于短话语之间的大变化和内容失配，使用短话语的文本无关的说话人识别是一个非常具有挑战性的任务。基于I-向量的系统已经成为说话人确认应用的标准，但是它们对于短话语不太有效。在本文中，我们首先比较了两种最先进的通用背景模型训练方法，用于使用全长和短话语评估任务进行i向量建模。这两种方法是基于高斯混合模型（GMM）和基于深度神经网络（DNN）的方法。结果表明，I-vector_DNN系统优于I-vector_GMM系统在不同的持续时间。然而，这两个系统的性能显着降低的话语的持续时间减少。为了解决这个问题，我们提出了两种新的非线性映射方法，训练DNN模型将从短话语中提取的i向量映射到其相应的长话语i向量。映射后的i向量能够恢复缺失信息，并减小原短话语i向量的方差。所提出的方法都模型的联合表示的短和长的话语i-向量使用自动编码器。使用NIST SRE 2010数据集的实验结果表明，当使用具有残差块的深度编码器并添加额外的音素向量时，这两种方法都提供了显着的改进，并导致与基线系统相比相等错误率的最大28.43%的相对改进。当在Speaker In The Wild数据集上进一步测试SRE 10的最佳验证模型时，该方法在任意持续时间（1-5秒）的短话语条件下提高了23.12%。

2018-10-16cs.LGcs.SDeess.AS

医学成像与深度学习：MIDL 2020 --短论文跟踪

Medical Imaging with Deep Learning: MIDL 2020 -- Short Paper Track

本汇编收集了2020年7月6日至9日在加拿大蒙特利尔举行的第三届医学成像与深度学习国际会议（MIDL 2020）的所有已接受的扩展摘要。请注意，这里只列出了可接受的扩展摘要，MIDL 2020 Full Paper Track的论文集发表在Proceedings of机器学习研究（PMLR）中。

2020-06-29cs.CVcs.LG

基于语法的短文本深度匹配

Syntax-based Deep Matching of Short Texts

Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）；Centre for Next Generation Localisation, Dublin City University（都柏林城市大学下一代本地化中心）

自然语言处理中的许多任务，从机器翻译到问答，可以简化为匹配两个句子或更一般地匹配两个短文本的问题。我们提出了一种新的方法来解决这个问题，称为深度匹配树（DeepMatch $_{tree}$），在一般的设置。该方法由两个部分组成，1）挖掘算法，用于发现在依赖树的乘积空间中定义的用于匹配两个短文本的模式，以及2）深度神经网络，用于使用挖掘的模式来匹配短文本，以及学习算法，用于构建具有稀疏结构的网络。我们在社交媒体中匹配推文和响应的问题上测试我们的算法，这是在[Wang et al.，2013]，并表明DeepMatch $_{tree}$可以优于许多竞争对手的模型，包括一个不使用依赖树的模型和一个基于词嵌入的模型，所有这些模型都具有很大的利润率

2015-06-12cs.CLcs.LGcs.NE

基于深度学习的流量分解用于短期水电站运行

Deep learning-based flow disaggregation for short-term hydropower plant operations

Broentech Solutions AS（布罗滕科技解决方案公司）；Captiva Energi AS（卡普蒂瓦能源公司）

本文提出一种基于深度学习的时间序列分解模型，从日入流数据生成小时入流数据，以提升短期水电站运行管理精度，并通过挪威水电系统初步验证了方法适用性。

2023-09-22cs.LGeess.SPstat.AP

Deep-VFX：深度动作识别驱动的短视频VFX

Deep-VFX: Deep Action Recognition Driven VFX for Short Video

UESTC（电子科技大学）

人体运动是信息交流的关键功能。在应用上，抖音等短视频风靡全球。用户希望添加更多的视觉特效，以追求创意和个性。在短视频平台上加入了很多特效。这些都给了用户更多的可能性来炫耀这些个性。传统的视觉特效制作方法是制作模板。然而，为了合成的完美，用户不得不繁琐地尝试去把握新模板的时机和节奏。本文旨在通过运动驱动代替传统的模板匹配来实现视觉特效的合成。我们提出了人工智能的方法来改善这种视觉特效合成。详细来说，是为了增加对人体的特殊效果。在这个系统中，骨架提取是至关重要的。我们还提出了一种新的LSTM形式，通过动作识别来找出用户的意图。实验结果表明，该系统能够更容易、更高效地生成短视频的视觉特效。

2020-07-22cs.CVcs.LGeess.IV

用深度神经网络建模长期和短期时间模式

Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks

Carnegie Mellon University（卡内基梅隆大学）

多变量时间序列预测是一个重要的机器学习问题，涉及许多领域，包括预测太阳能发电厂的能量输出、电力消耗和交通拥堵情况。在这些实际应用中出现的时态数据往往涉及长期和短期模式的混合，传统的方法，如自回归模型和高斯过程可能会失败。在本文中，我们提出了一种新的深度学习框架，即长期和短期时间序列网络（LSTNet），以解决这一开放性挑战。LSTNet使用卷积神经网络（CNN）和递归神经网络（RNN）来提取变量之间的短期局部依赖模式，并发现时间序列趋势的长期模式。此外，我们利用传统的自回归模型来解决神经网络模型的尺度不敏感问题。在我们对具有复杂重复模式混合的真实数据的评估中，LSTNet比几种最先进的基线方法实现了显着的性能改进。所有的数据和实验代码都可以在线获得。

2018-04-18cs.LG

深度学习在网络安全中的应用

A short review on Applications of Deep learning for Cyber security

Center for Computational Engineering and Networking (CEN)（计算工程与网络中心（CEN））；Amrita School of Engineering（阿姆里塔工程学院）；Amrita Vishwa Vidyapeetham（阿姆里塔大学）

深度学习是传统机器学习的先进模型。这具有从原始输入样本中提取最佳特征表示的能力。这已经应用于网络安全中的各种用例，例如入侵检测，恶意软件分类，Android恶意软件检测，垃圾邮件和网络钓鱼检测以及二进制分析。本文概述了与各种网络安全用例的基于深度学习的解决方案相关的所有工作的调查。保留字：深度学习、入侵检测、恶意软件检测、Android恶意软件检测、垃圾邮件和网络钓鱼检测、流量分析、二进制分析。

2019-01-30cs.AIcs.CRcs.LG

多模态深度学习用于短期股票波动预测

Multimodal deep learning for short-term stock volatility prediction

University of York（约克大学）

股票市场波动率预测是一项与评估市场风险相关的任务。我们使用最先进的深度学习方法研究了新闻和价格之间的相互作用，以进行一天前的波动预测。所提出的模型是端到端或使用从其他任务转移的句子编码器进行训练的。我们评估了广泛的股票市场行业，即消费必需品、能源、公用事业、医疗和金融行业。我们的实验结果表明，添加新闻改善了波动率预测相比，只依赖于价格数据的主流模型。特别是，我们的模型在决定系数$R^2$，$MSE$和$MAE$方面优于广泛认可的所有部门的GARCH（1，1）模型，在从新闻和价格数据进行训练时实现了最佳性能。

2018-12-25cs.CLcs.LGq-fin.RM

基于深度卷积长短期记忆网络和核密度估计的短期概率光伏功率预测

Short-term probabilistic photovoltaic power forecast based on deep convolutional long short-term memory network and kernel density estimation

Harbin Institute of Technology（哈尔滨工业大学）

太阳能是一种清洁的可再生能源。光伏发电是太阳能利用的重要途径。准确的光伏发电功率预测对光伏发电的大规模应用和电网的稳定运行至关重要。提出了一种基于深度卷积长短期记忆（ConvLSTM）网络和核密度估计（KDE）的短期光伏功率预测新方法。该方法利用ConvLSTM对未来光伏发电量进行预测，利用KDE估计联合概率密度函数并给出概率置信区间。在实际光伏电站中的实验验证了该方法的有效性。与卷积神经网络（CNN）和长短期记忆网络（LSTM）的对比实验表明，ConvLSTM可以结合CNN和LSTM的优点，在预测精度方面明显优于CNN和LSTM。通过与多层感知器（MLP）、支持向量回归（SVR）、极限学习机（ELM）、分类回归树（CART）和梯度提升决策树（GBDT）等5种传统方法的比较，结果表明，ConvLSTM的预测精度在20%以上，进一步验证了ConvLSTM的优越性。

2021-07-03cs.LGeess.SP

深度学习用于制造业短期即时能耗预测

Deep Learning for Short-term Instant Energy Consumption Forecasting in the Manufacturing Sector

Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD)（智能工程与高级创新发展计算研究组（GECAD））；Porto School of Engineering (ISEP)（波尔图工程学院（ISEP））

电力是一种不稳定的能源，需要长期和短期的规划和资源管理。更具体地说，在短期内，准确的即时能源消耗预测大大有助于提高建筑物的效率，为采用可再生能源开辟了新的途径。在这方面，数据驱动的方法，即基于机器学习的方法，开始比更传统的方法更受欢迎，因为它们不仅提供了更简化的部署方式，而且还提供了最先进的结果。从这个意义上说，这项工作应用并比较了几种深度学习算法的性能，LSTM，CNN，混合CNN-LSTM和TCN，在制造业的真实测试平台中。实验结果表明，TCN是最可靠的方法来预测在短期内的即时能源消耗。

2022-07-04cs.AIcs.LGeess.SP

基于深度学习与数据重构的超短期太阳能发电功率预测

Ultra-short-term solar power forecasting by deep learning and data reconstruction

IEEE Publication Technology（IEEE出版技术）；Xi’an University of Technology（西安理工大学）；University of Oslo（奥斯陆大学）

本文提出一种基于深度学习与CEEMDAN数据重构的超短期太阳能功率预测方法，通过分解高低频分量并结合气象数据捕获时空依赖，同时改进优化以提升预测精度和泛化能力。

2025-09-21cs.AIcs.LG

基于深度卷积神经网络集成的短段心音分类

Short-segment heart sound classification using an ensemble of deep convolutional neural networks

Universiti Teknologi Malaysia（马来西亚工艺大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）

本文提出了一种基于深度卷积神经网络（CNN）的框架，用于使用单个心跳的短片段进行自动心音分类。我们设计了一个直接从原始心音信号中学习特征的1D-CNN和一个基于Mel频率倒谱系数（MFCC）的二维的时频特征图的2D-CNN。我们进一步开发了一个时频CNN集成（TF-ECNN）结合的1D-CNN和2D-CNN基于分数级融合的类概率。在大型PhysioNet CinC挑战2016数据库上，提出的CNN模型优于基于支持向量机和隐马尔可夫模型的传统分类器，具有各种手工制作的时域和频域特征。ECNN实现了最佳分类评分，准确度为89.22%，灵敏度为89.94%，2D-CNN单独在测试集上实现了91.55%的特异性和88.82%的修正准确度。

2018-10-27cs.LGcs.SDeess.AS

面向多空投资组合优化的深度强化学习

Deep Reinforcement Learning for Long-Short Portfolio Optimization

Chongqing University（重庆大学）

本文提出符合真实交易规则、融合深度神经网络与平均夏普比率奖励的多空DRL投资组合框架，在A股回测中实现持续正收益、更优风险调整收益并降低最大回撤。

2025-03-15cs.LGq-fin.CPq-fin.PM

深度学习长短期记忆在能源需求预测中的应用

Application of Deep Learning Long Short-Term Memory in Energy Demand Forecasting

RMIT University（皇家墨尔本理工大学）

智能计量基础设施改变了住宅和工业应用中的电力测量方式。智能电表每天收集的大量数据为分析提供了巨大的潜力，以支持智能电网的运行，其中一个例子是能源需求预测。短期能源预测可以被公用事业公司用来评估任何预测的峰值能源需求是否会对电力系统传输和分配基础设施产生不利影响。它还可以帮助负荷调度和需求侧管理。人们提出了许多技术来预测时间序列，包括支持向量机、人工神经网络和深度学习。在这项工作中，我们使用长短期记忆架构，预测3天前的能源需求在每个月的一年。结果表明，该方法可以准确预测未来3天的需求，平均绝对百分比误差为3.15%。除此之外，本文还提出了将时间量化为训练阶段使用的一个特征的方法，该特征被证明会影响网络性能。

2019-03-04cs.LG

不同强度的噪声和数据增强对使用深度神经网络分类短单导联ECG信号的影响

The Effect of Various Strengths of Noises and Data Augmentations on Classification of Short Single-Lead ECG Signals Using Deep Neural Networks

Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）

由于信号采集过程中的多重缺陷，心电图（ECG）数据集通常被多种类型的噪声污染，如盐和胡椒以及基线漂移。这些数据集可能包含具有各种类型噪声的不同记录[1]，因此，去噪可能不是最简单的任务。此外，通常，对于适当的分类任务，标记的生物信号的数量非常有限。

2020-08-14cs.CVcs.LGeess.IV

深度长短期记忆网络：稳定性性质与实验验证

Deep Long-Short Term Memory networks: Stability properties and Experimental validation

Politecnico di Milano（米兰理工大学）

本文提出利用权重充分条件训练可证明δISS的深度LSTM，并在真实线控制动装置上验证其非线性系统辨识效果。

2023-04-06cs.LGcs.SYeess.SY

基于长短期记忆神经网络的系统辨识深度迁移学习

Deep transfer learning for system identification using long short-term memory neural networks

Georgia Institute of Technology（佐治亚理工学院）；United Arab Emirates University（阿联酋大学）

与传统的系统辨识技术相比，递归神经网络（RNN）具有许多优点。它们可以应用于线性和非线性系统，并且它们需要较少的建模假设。然而，这些神经网络模型也可能需要更大量的数据来学习和推广。此外，神经网络训练是一个耗时的过程。因此，基于长短期记忆神经网络（LSTM），本文提出使用两种类型的深度迁移学习，即参数微调和冻结，以减少系统辨识的数据和计算需求。我们应用这些技术来识别两个动力系统，即二阶线性系统和Wiener-Hammerstein非线性系统。结果表明，与直接学习相比，我们的方法加快了10%到50%的学习速度，同时节省了数据和计算资源。

2022-04-06cs.LGcs.SYeess.SY

用于短期流量预测的深度回声状态网络：性能比较和统计评估

Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment

TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；National Technical University of Athens (NTUA)（雅典国立技术大学（NTUA））

在短期交通预测中，目标是准确地预测在查询预测之后不久发生的感兴趣的交通参数的未来值。在这一长期研究领域中报道的活动最近被不同的深度学习方法所主导，产生了过于复杂的预测模型，这些模型通常可以实现实际效用可疑的准确性增益。在这项工作中，我们详细介绍了深度回声状态网络在这一特定任务中的性能。这些替代建模方法的有效学习算法和更简单的参数配置使它们成为具有竞争力的交通预测方法，用于部署在具有严格有限的计算资源的设备和系统中的实际ITS应用。一个广泛的比较基准是利用在马德里（西班牙）捕获的真实交通数据设计的，共有130多个自动交通阅读器（ATR）和几个浅层学习，集成和深度学习模型。该比较基准的结果以及对报告的性能差距的统计显著性的分析具有决定性意义：Deep Echo State Networks比其他考虑的建模同行实现了更准确的流量预测。

2020-04-17cs.ETcs.LGcs.NE

基于时间池深度循环神经网络的短期负荷预测

Short-Term Load Forecasting Using Time Pooling Deep Recurrent Neural Network

Qom University of Technology（库姆理工大学）；London South Bank University（伦敦南岸大学）

可再生能源和电动汽车等新兴负载与智能电网的集成给配电系统管理带来了更多的不确定性。电力需求侧管理（DSM）是降低电力系统不确定性的有效途径之一。一些应用，如非侵入式负载监测（NILM）可以支持DSM，但它们需要高分辨率数据的准确预测。当涉及到像一个住宅家庭这样的单一负载时，由于其高波动性，这是具有挑战性的。在本文中，我们回顾了一些现有的基于深度学习的方法，并使用时间池深度循环神经网络提出了我们的解决方案。该方法利用时间池策略对数据进行扩充，能够更有效地克服过拟合问题和模型不确定性。仿真和实现结果表明，我们的方法优于现有的算法的RMSE和MAE指标。

2021-09-26cs.CVcs.LG

基于深度神经网络的短期流量预测研究综述

Short-term Traffic Prediction with Deep Neural Networks: A Survey

Seoul National University（首尔大学）；KAIST（韩国科学技术院）

在现代交通系统中，每天都会产生大量的交通数据。这导致了短期交通预测（STTP）的快速发展，其中最近应用了深度学习方法。在具有复杂时空关系的交通网络中，深度神经网络（DNN）通常表现良好，因为它们能够自动提取最重要的特征和模式。在这项研究中，我们从四个角度调查了最近应用深度网络的STTP研究。1)我们总结了输入数据表示方法，根据所涉及的空间和时间依赖的数量和类型。2)我们简要解释了从最早的网络（包括受限玻尔兹曼机）到最近的网络（包括基于图的网络和元学习网络）的各种DNN技术。3)我们总结了以前的STTP研究DNN技术的类型，应用领域，数据集和代码的可用性，以及所代表的时空依赖关系的类型。4)我们编译了流行的公共交通数据集，可以用作标准基准。最后，我们提出了挑战性的问题和可能的未来研究方向STTP。

2020-08-28cs.AIcs.LGeess.SP

基于深度强化学习的短时高空气球季节性驻留控制

Seasonal Station-Keeping of Short Duration High Altitude Balloons using Deep Reinforcement Learning

U.S. Naval Research Laboratory（美国海军研究实验室）

本文提出用深度Q学习解决短时高空气球在动态风场中的驻留控制问题，基于历史探空数据生成合成风预报训练智能体，并引入预报评分算法分析不同季节风况下驻留成功率的变化趋势。

2025-02-07cs.LGcs.ROphysics.ao-ph

MTS: 一种具有时间感知和做空功能的深度强化学习投资组合管理框架

MTS: A Deep Reinforcement Learning Portfolio Management Framework with Time-Awareness and Short-Selling

University of Liverpool（利物浦大学）；Universidad Politécnica de Madrid（马德里理工大学）

MTS通过时间感知和做空功能，提升投资组合管理的稳健性和适应性，实现更高的收益与风险平衡。

2025-03-06cs.AIcs.LG

基于长短期记忆循环神经网络的应用机器学习方法用于多元温度预测

Applied Machine Learning Methods with Long-Short Term Memory Based Recurrent Neural Networks for Multivariate Temperature Prediction

Clausthal University of Technology（克劳斯塔尔工业大学）

本文研究基于LSTM深度循环神经网络的多元温度时间序列预测方法，通过TensorFlow和Keras构建模型并用天气数据验证，表明深度神经网络在短期天气预测中有效，同时指出其局限性。

2025-03-08cs.AIcs.LG

基于PMU量测的电力系统短期电压稳定评估：一种深度迁移学习方法

PMU measurements based short-term voltage stability assessment of power systems via deep transfer learning

State Grid Chengde Power Supply Company（国网承德供电公司）

本文提出一种基于PMU量测和深度迁移学习的短期电压稳定评估方法，利用时序集成标注样本、LSGAN增强数据，并通过Transformer自注意力机制提升对拓扑变化的适应能力，在IEEE 39节点系统上精度提升约20%。

2023-08-27cs.LGcs.SYeess.SY

短期风速预测的进化深度学习方法：Lillgrund海上风电场案例研究

An Evolutionary Deep Learning Method for Short-term Wind Speed Prediction: A Case Study of the Lillgrund Offshore Wind Farm

The University of Adelaide（阿德莱德大学）；Sapienza University of Rome（罗马大学）；The Australian Institute for Machine Learning（澳大利亚机器学习研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）

准确的短期风速预测是大规模风电并网发电的基础。然而，风速的季节性和随机性特征使预报成为一项具有挑战性的任务。本研究使用一种新的混合进化方法，该方法使用流行的进化搜索算法CMA-ES来调整两个用于风预测的长短期记忆（LSTM）ANN模型的超参数。建议的混合方法是从安装在位于波罗的海的瑞典风电场的海上风力涡轮机收集的数据进行训练。在实验中，我们考虑了两个预报范围，即提前10分钟（绝对短期）和提前1小时（短期）。我们的实验结果表明，新的方法是优于其他五个应用机器学习模型，即，多项式神经网络（PNN）、前馈神经网络（FNN）、非线性自回归神经网络（NAR）和自适应神经模糊推理系统（ANFIS）。

2020-02-21cs.LGcs.NEeess.SP

基于长短期记忆与TOPSIS的深度递归学习

Deep Recurrent Learning Through Long Short Term Memory and TOPSIS

本文将云ERP采用建模为深度递归神经网络问题，提出结合LSTM与TOPSIS的分类排序算法来识别采用特征，并通过参考模型验证和用户定性调查形成关键采用因素假设。

2024-03-19cs.AIcs.LGcs.SE

深度卷积神经网络结构和短连接演化的混合GA-PSO方法

A Hybrid GA-PSO Method for Evolving Architecture and Short Connections of Deep Convolutional Neural Networks

School of Engineering and Computer Science Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）

图像分类是一个困难的机器学习任务，其中卷积神经网络（CNN）已经被应用了20多年，以解决这个问题。近年来，代替传统的仅将当前层与其下一层连接的方式，已经提出了将当前层与其下一层之外的前向层连接的快捷连接，这已被证明能够促进深度CNN的训练过程。然而，有各种方法来构建快捷连接，在解决特定问题时很难手动设计最佳快捷连接，特别是考虑到网络架构的设计已经非常具有挑战性。本文提出了一种混合演化计算（EC）方法，用于\textit{automatically}进化深层CNN的架构和快捷连接。本文的主要工作有三个方面：第一，提出了一种新的编码策略，对CNN进行编码，将其结构和最短连接分开编码;第二，提出了一种结合粒子群优化和遗传算法的混合两级EC方法来搜索最优CNN;最后，引入可调的学习率用于适应度评估，其在给定固定数量的时期的情况下为训练过程提供更好的学习率。在三个广泛使用的图像分类基准数据集上对该算法进行了评估，并与12个基于非EC的竞争对手和一个基于EC的竞争对手进行了比较。实验结果表明，该方法优于所有的同行竞争对手的分类精度。

2019-03-10cs.AIcs.CVcs.LG

DeepVRegulome：基于DNABERT的深度学习框架，用于预测短基因组变异对人类调控组的功能影响

DeepVRegulome: DNABERT-based deep-learning framework for predicting the functional impact of short genomic variants on the human regulome

Stony Brook University（石溪大学）；Renaissance School of Medicine, Stony Brook University（石溪大学文艺复兴医学院）；Northwestern University Feinberg School of Medicine（西北大学范伯格医学院）；Northwestern University（西北大学）

针对全基因组测序揭示的非编码短变异功能影响难测问题，开发DeepVRegulome框架，整合464个微调DNABERT模型及多种分析工具，经基准测试和比较，确定相关突变并关联患者预后，代码等公开。

2026-07-29cs.AIcs.LGq-bio.GN

基于深度学习的简答题自动评分研究综述：从词嵌入到Transformers

Survey on Automated Short Answer Grading with Deep Learning: from Word Embeddings to Transformers

University of Twente（特文特大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）

自动简短答案评分（ASAG）作为将教育任务扩展到越来越多的学生的一种手段，在教育领域引起了关注。自然语言处理和机器学习的最新进展极大地影响了ASAG领域，本文综述了ASAG的最新研究进展。我们通过对最近发布的部署深度学习方法的方法进行全面分析来补充以前的调查。特别是，我们专注于我们的分析过渡到手工设计的功能，表示学习方法，学习代表性的功能，自动从大型语料库的数据。我们将对深度学习方法的分析分为三类：词嵌入、序列模型和基于注意力的方法。深度学习对ASAG的影响与其他NLP领域不同，因为我们注意到，学习的表示本身并不能帮助实现最佳结果，但它们与手工设计的功能互补。最佳性能确实是通过将精心手工设计的功能与最新模型（例如Transformers架构）提供的语义描述的强大功能相结合的方法来实现的。我们确定了挑战，并提供了未来可以解决的研究方向的展望

2022-03-11cs.AIcs.CLcs.LG