学习使我快乐

A Gated Dilated Causal Convolution Based Encoder-Decoder for Network Traffic ForecastingDOI：10.1109/ACCESS.2019.2963449使用sci-hub输入DOI摘要：对未来网络流量的准确估计是网络退化预警和网络资源自动编排的关键手段。长短期记忆神经网络LSTM是一种流行的网络流量预测体系结构，在许多应用中得到了成功的应用。然而，已经观察到当序列较长时，LSTM会出现记忆容量有限问题。本文提出了一种

Echo-State Networks for Network Traffific Prediction作者：Oluwamayowa Ade Adeleke文章目录Echo-State Networks for Network Traffific Prediction图结构RESERVOIR LEARNING AND ECHO STATE NETWORKS(ESNS)Reservoir Learning algorithmsECHO STATE NETWORKS(ESNS)EXPERIMENTS AND

作者：Junyoung Chung, Sungjin Ahn & Yoshua Bengio论文获取：https://arxiv.org/abs/1609.01704这篇提出的分层多尺度递归神经网络（HM-RNN），主要是从具有时间信息的原始数据中学习到层次结构而不用人为设置显式边界信息，也就是说提出的这个模型可以自适应时间尺度。摘要：在本文中，我们提出了一种新的多尺度方法，称为分层多尺度递归神经网络，它可以通过编码时间依赖关系，来捕捉序列中潜在的层次结构。这种时间依赖关系使用一种新的更新机

A Clockwork RNN后续学习（一）文章目录CW-RNN特点及优化CW-RNN变体卷积CW-RNN双向CW-RNN混合CW-RNN参考文献CW-RNN特点及优化CW-RNN网络结构理解图[1]特点：1.CW-RNN的指数分布模块定时是不灵活的 导致不足以识别和利用历史上发生得很远的信息。2.其他函数可以用来设置模块的周期:线性、斐波那契、对数级数，甚至是固定的随机周期。3.每个模块不一定具有相同的大小，可以根据输入自己调整。优化点：1.学习周期（可以使用不需要梯度封闭形式的进化算

A Clockwork RNN作者：Jan Koutník， Klaus Greff, Faustino Gomez, Jürgen Schmidhuber以下部分内容参考https://blog.youkuaiyun.com/u010159842/article/details/72898071?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-ut