本研究评估了在资源受限微控制器上运行的关键词检测神经网络架构。通过优化,提升了准确性并降低了存储和计算需求。深度可分离卷积神经网络(DS-CNN)实现了95.4%的准确率,并提出了新架构和自监督学习方法,显著提高了关键词检测性能,适用于低功耗设备。
本文综述了时间序列预测的多种新模型:TSMixer利用多层感知机在时间与特征维度进行混合,在M5数据集上优于先进模型;PatchMixer采用深度可分离卷积兼顾局部与全局特征,速度更快;MTS-Mixers表明注意力机制并非必需;非平稳Transformer通过平稳化提升性能;Kernel-U-Net通过分层切分实现高效计算;MSD-Mixer以多尺度分解的MLP-Mixer在多项任务中领先。
该文介绍了一种新的CNN模型——PatchMixer,用于解决Transformer模型在时间序列预测任务中的挑战。实验结果表明,PatchMixer的提升分别为3.9%和21.2%,速度是最先进方法的2-3倍。
该文介绍了一种新的CNN模型——PatchMixer,用于解决Transformer模型在时间序列预测任务中的挑战。PatchMixer具有自注意力机制,可以保留时间信息,且仅依赖于深度可分离卷积,可以在单一尺度的结构中提取局部特征和全局相关性。实验结果表明,相对于现有最先进的方法和表现最佳的CNN,PatchMixer的提升分别为3.9%和21.2%,速度是最先进方法的2-3倍。作者将发布代码和模型。
完成下面两步后,将自动完成登录并继续当前操作。