.png){kind=icon}
返回
KDP-MHL: Key data point-aware multi-scale hypergraph learning framework for multivariate time series classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114620.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本文提出了一种超图学习框架KDP-MHL，通过探索复杂关系来提高MTSC性能。
• 建立动态超图结构可以有效提取高阶时序关联。
• 本文选择的关键数据点占原始数据的25%，仍能保留原有的时序趋势。
• 全面且丰富的类别特定信息可以提升复杂时序模式的表示能力。
• 所提出的方法实现了SOTA性能，平均准确率提高了3%。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Multivariate time-series classification with hierarchical variational graph pooling.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Bake off redux: a review and experimental evaluation of recent time series classification algorithms
OAAI
OAAI分享收藏Causal and Local Correlations Based Network for Multivariate Time Series Classification基于因果和局部相关网络的多元时间序列分类NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏BSDSGANet: Bidirectional Skip-stored Dual-Stream Gated Attention Network for multivariate time series classificationBSDSGANet：双向跳过存储双流门控注意力网络，用于多变量时间序列分类
PREAI
分享收藏
查看更多内容