Die neuesten Ergebnisse des Zentrums für Stadtwissenschaft und Computerforschung, Abteilung für Elektrotechnik, Tsinghua-Universität „Räumlich-zeitliches Lernen mit wenigen Treffern durch die Generierung diffuser neuronaler Netzwerke“Diese von ICLR2024 angenommene Studie schlug das GPD-Modell (Generative Pre-Trained Diffusion) vor, um räumlich-zeitliches Lernen in Szenarien mit spärlichen Daten zu erreichen. Dieser Datensatz enthält die Open-Source-Daten und den Code des Dokuments. Die für Training und Evaluation verwendeten Daten finden Sie inZeitreihendatenGefunden in (bereits in der HyperNeural-Seed-Datei „Zeitreihendaten“ enthalten). Nachdem Sie die Daten heruntergeladen haben, verschieben Sie sie nach ./Data . Für jede Stadt stellte das Forschungsteam die folgenden Daten zur Verfügung:

• Graph data: Zeichnet die Adjazenzmatrix des Raum-Zeit-Diagramms auf.
• Time series data: Zeichnen Sie die Zeitsequenzdaten jedes Knotens auf. Das Forschungsteam stellt zwei Zeitreihen-Datensätze bereit: Menschenmengenfluss (einschließlich DC, BM, man) und Verkehrsgeschwindigkeit (einschließlich metr-la, pems-bay, shenzhen, hengdu_m).

Zitat

@inproceedings{ yuan2024spatiotemporal, title={Spatio-Temporales Lernen mit wenigen Beispielen durch diffusive neuronale Netzwerkgenerierung}, Autor={Yuan Yuan und Chenyang Shao und Jingtao Ding und Depeng Jin und Yong Li}, Buchtitel={Die zwölfte internationale Konferenz über Lernrepräsentationen}, Jahr={2024}, url={https://openreview.net/forum?id=QyFm3D3Tzi} }