应用概率最大年夜池化的 GRBM 的卷积版本被泰勒等人提出。应用卷积削减参数的进修数量，许可更大年夜的输入范围，更好地处理可能涌如今图像中的任何处所的局部仿射变换。该模型是对合成数据和多个基准数据集的验证，包含 KTH 行动辨认数据集。
Le等人的工作提出应用自力子空间分析( ISA )的扩大，无监督的时空特点进修办法。该扩大包含分层(叠)卷积 ISA 模块连同池化一路。 ISA 的缺点是它不克不及很好地扩大到大年夜范围的输入。卷积和堆叠解决了这个问题，是经由过程进修输入数据的较小块。该办法的若干基准组包含 KTH 被验证。该办法的一个长处是， ISA 的应用削减了在 RBM 为基本的办法的调剂，例如进修率，权重衰减，收敛参数等。
模仿视频中的时光关系也已经用时光池化完成。 Chen 和 Freitas 的工作采取卷积 RBMs 作为空间池的块，然后在空间池化单位履行空间池化。该办法被称为时空深度信念收集( ST-DBN )。 STDBN 许可在空间和时光的不变性和统计自力性。比拟于标准卷积 DBN 的办法来实现上述应用，如动作辨认和视频降袈潆机能都很优胜。
深度进修办法供给更好的表达性和分类在浩瀚的时光序列问题比拟于比较浅的办法，当设置和恰当练习的时刻。如有余地，特别是改良进修算法对于时光序列数据，例如在履行旌旗灯号选择，在多变量输入数据中处理荣誉旌旗灯号。
对于模仿视频时光相干性的应用是由 Zou 等人完成的，个中主动编码器上的池化单位的时光差 L1-coast 是用来进修特点的，其改良了静止图像的目标辨认。对于进修表达， Hyvärinende 的工作也用时光信息为准则。
深度进修的采取，特点进修和用池化卷积，已经推动了视频处理的进展。模仿视频数据流是一个天然延续对于深度进修算法，因为它们已被证实是成功的，在静态图像中构建有效的特点。在视频中经由过程重灯揭捉?习时光特点，在静态图像上的机能可以进步，大年夜而激发了须要持续成长深度进修的算法，去捕获时光关系。早期的测验测验在延长深度进修算法，视频数据经由过程模仿两帧之间的转换完成的。时光池化的应用扩大了时光相干性，模许可以进修跨越一零丁帧的转换。然则，时光相干性已被建模，其仍然只是几帧。对于视频处理的一个可能的将来成长偏向是看模许可以进修更长的时光相干性。
再来一个小例子： 股市猜测
图7 十年的 Dow Jones 工业平均指数( DJOI )
根据有效市场假说( EMH )，股票市场价格遵守随机游走模式，这意味着一个股有雷同的概率去上升，因为它过去降低，导致该猜测不克不及有跨越 50 个%的精度。 EMH 状况的股价是由“消息”推动，而不是如今和以前的价格。然而它也被认为股票市场的价格遵守随机游走且它们可以猜测。比起十年前，现金获取消息和股票信息看起来是异常不合的。有一个例子，它已经显示如不雅大年夜在线社交媒体，如 Twitter feed 和在线聊天晃荡中提取进一步信息猜测可以被改良。
总之，可以断定如有改进的空间用于安然和精确的库存猜测体系的现有技巧。如不雅大年夜影响股市来源的额外信息看，它可以被测量和获取，如社交媒体广大年夜市平易近的看法，成交量，市场特定范畴的常识以及政治和经济身分，它可以与股价数据结合在一路，实现更高的股票价格的猜测。应用小范围的成功，一层神经收集的股市猜测，并熟悉到有须要增长更多的信息去做出更好的猜测，注解对于股市猜测的将来成长偏向是采取组合数据的，对于更强大年夜的模许可以或许处理复杂的，高维数据。深度进修办法的多元时光序列相符这一描述，并为金融范畴供给了新的兴趣办法，对于深度进修合营体的新的挑衅是笔者的常识还没有被测验测验法。
无监督特点进修和深度进修技巧已成功应用于多种范畴中。而在深进修和无监督特点进修的已经重视在计算机视觉范畴，本次分享回想了一些深度进修办法对时光序列域的成功应用。个一一些办法已处理输入作为静态数据，但最成功的是那些已经修改了的深度进修模型去更好地处理时光序列数据。
处理时光序列数据作为静态输入的问题是重要的时光不被捕获。建模时光序列面对很多作为建模静态数据一样的挑衅，如用高维不雅测和变量之间非线性关系的对应，经由过程简单忽视时光和应用静态数据的模式，到时光序列之一忽视很多丰富构造中存在的数据。当采取这种办法，当前输入帧的高低文损掉，且独一时光的相干性被捕获是在输入范围之内。为了捕获经久相干性，输入范围已被增长，这可所以不切实际的多元旌旗灯号或如不雅数据具有异常经久相干性。解决筹划是应用一个模型，结应时光相干性，履行时域池化，或隐单位激活的模型序列。
模型的选择和数据应当若何被出现模型高度依附于数据的类型。选择模型之内，有附加的设计选择就连接、构造和超参数而言。对于这些原因，尽管很多无监督特点进修模型对于当前域供给去减轻想出有效特点的用户，对于应用它们到时光序列数据如有诸多挑衅。还值得一提的是，很多工作是大年夜输入数据构建一个有效特点，事实照样大年夜预处理特点应用输入数据。
另一种可能的将来成长偏向是成长模型，在进修或应用模型平均改变其内部构造，为了捕获短期和经久的时光相干性。在这方面还须要进一步研究，去成长时光序列建模算法，进修更好的特点和更轻易更快的练习模型。是以，须要较少存眷先前处理流水线对于特定的时光序列的问题，更重视进修更好特点表达对于一个通用的算法，且对于其构造化数据不管该应用法度榜样。
【编辑推荐】
- 是什么让深度进修可以或许深刻世界并改变世界？
- 若何给非专业人石工解什么是深度进修？
- 当常识图谱“碰见”深度进修
- 若何给非专业人石工解什么是深度进修？
- 深度进修10大年夜框架比较分析
推荐阅读
实践出真知，有的时刻看到一些有趣的现象就想着用本身所学的常识复现一下。缘起前几天在 github 上看到同事的一个如许的小项目，在 IOS 上实现了如许一个小动画效不雅，看上去蛮炫的，效不>>>详细阅读
本文标题：深度学习的时间序列模型评价
地址：http://www.17bianji.com/lsqh/35073.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示