Key points are not available for this paper at this time.
تحليل بيانات السلاسل الزمنية هو عنصر حاسم في مجالات متنوعة مثل المالية والرعاية الصحية والأرصاد الجوية. على الرغم من التقدم في التعلم العميق لتحليل السلاسل الزمنية، لا تزال هناك تحديات في معالجة الطبيعة غير الثابتة لبيانات السلاسل الزمنية. تكافح النماذج التقليدية، التي تعتمد على فرضية الخصائص الإحصائية الثابتة على مر الزمن، غالبًا لالتقاط الديناميات الزمنية في السلاسل الزمنية الحقيقية، مما يؤدي إلى تحيز وخطأ في تحليل السلاسل الزمنية. تقدم هذه الورقة شبكة المويجات التكيفية (AdaWaveNet)، وهو نهج مبتكر يستخدم تحويل المويجات التكيفية لتحليل متعدد المقاييس لبيانات السلاسل الزمنية غير الثابتة. صممت AdaWaveNet آلية تفكيك وإنشاء تعتمد على مخطط الرفع لتحويلات المويجات القابلة للتكيف والتعلم، مما يوفر مرونة وصلابة محسنة في التحليل. قمنا بإجراء تجارب موسعة على 10 مجموعات بيانات عبر 3 مهام مختلفة، بما في ذلك التنبؤ، واستكمال البيانات، ومهمة دقة الفائقة التي تم إنشاؤها حديثًا. تظهر التقييمات فعالية AdaWaveNet مقارنة بالطرق الموجودة في المهام الثلاث، مما يوضح إمكاناتها في تطبيقات العالم الحقيقي المختلفة.
درس يو وآخرون (الجمعة) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: