BriefGPT - AI 论文速递 · 2023-12-06T00:00:00Z 基于 Transformer 的代理模型弥合了极少数据下的 ICF 模拟与实验差距 💡 原文中文，约300字，阅读约需1分钟。 📝 内容提要 本论文研究了使用深度神经网络解决多元时间序列插补问题。通过添加知识驱动的增强，包括投影时间注意力、全局自适应图卷积和Fourier插补损失，使得模型适用于多种插补问题。案例研究证明了该模型的可解释性和实证结果的有效性。 🏷️ 标签 transformer 可解释性 实证结果 时间序列插补 深度神经网络 知识驱动 阅读原文 生成长图 分享链接 已复制链接
