WildMay

摘要： 最近在項目優化過程中，選擇了TimeMixer作為業務預測的模型baseline后，發現業務的周期性其實學得并不好，直接復用的業務結果直接比傳統機器學習還差！！！！ 可能這時一些人的做法會直接從SOTA模型里挨個選型，畢竟每年上百篇的時序論文，總有一篇適合你的業務場景~ 但也有懟著一個base模型進 閱讀全文

摘要： 最近在做業務分類預測時，遇到單標簽和多標簽的分類問題，決定好好扒一扒這個softmax和sigmoid~ 首先是應用場景的區別。sigmoid更適合多標簽分類（multi-label classification），而softmax適用于單標簽多分類（multi-class classificati 閱讀全文

摘要： title：MMFNET: MULTI-SCALE FREQUENCY MASKING NEURAL NETWORK FOR MULTIVARIATE TIME SERIES FORECASTING paper：https://arxiv.org/pdf/2410.02070 code：暫未公開 h 閱讀全文

摘要： 在時間序列表征學習中，高頻和低頻數據在頻域與時域上的表征學習適用性存在顯著差異，其核心原因與數據特性、信息分布及模型能力密切相關。關于低頻和高頻時序數據哪個更適合使用頻域方法來進行表征學習？ 以下個人見解，不當請指正~ ?? 一、高頻時序數據：更適合頻域表征 📡 1. 頻域優勢顯著的原因 噪聲分離 閱讀全文

摘要：  閱讀全文

摘要： AAAI-2022 ——《TS2Vec: Towards Universal Representation of Time Series》 paper地址：https://arxiv.org/pdf/2308.01737 highlights：一種與模型無關的時序表征學習的預訓練框架，利用對比學習范 閱讀全文

摘要： 引入 所謂蹺蹺板問題，就是說多目標優化的時候，任務A優化好了，結果發現任務B效果不好。 帕累托最優：Pareto efficiency或Pareto Optimality，代表了一種多目標優化任務中的理想狀態。每次迭代的時候求一個可執行域，可執行域保證每個任務都是有優化的，然后在這個可執行域迭代求個 閱讀全文

摘要： 我是誰：從算法工程師到知識游牧者 作為某互聯網大廠的推薦算法工程師，距離研究生畢業剛好一年零三百一十三天。 每天的工作是在TensorFlow與PyTorch的生態里穿梭，處理著動輒上億的用戶行為數據，試圖用Embedding向量捕捉人類興趣的微妙波動。 和許多同行一樣，我經歷過凌晨三點的模型訓練告 閱讀全文