- 综合排序
- 最热优先
- 最新优先
- 来自专栏圆圆的算法笔记
时间序列预测和缺失值填充联合建模方法
今天给大家介绍一篇康奈尔大学和IBM研究院上周法发布的一篇时间序列相关工作，将时间序列预测任务和缺失值填充任务进行联合建模。 通过对时间序列预测和缺失值填充这两个任务的整体建模和端到端训练，实现了一个模型同时解决两个任务，并提升两个任务效果的目标。 2、建模思路 本文整体的联合建模思路如下图所示，根据X和Y，共同构建输入序列Z，对未来序列进行预测，并实现缺失值填充。 整个模型的优化目标可以表示成下面这个公式，核心是两个函数f()和g()。 以上就是本文的核心建模思路。总体来看，g()用来建模多变量之间的关系，利用X预测Y。f()建模序列维度上的关系，根据可观测序列预测未知序列。 实验结果表明，这种统一联合建模的方式，对于时间序列预测和缺失值填充都有正向作用。 、
1.1K31编辑于 2023-08-17 - 来自专栏PaddlePaddle
ActivityNet Kinetics夺冠 | PaddlePaddle视频联合时空建模方法开源
百度视觉技术部联合PaddlePaddle团队近期开源了用于视频分类的StNet框架。StNet框架为ActivityNetKinetics Challenge 2018中夺冠的网络框架。 另外通过temporal modeling block建模视频的全局时空依赖，最后用一个temporalXception block对抽取的特征序列进行长时序建模。 单独训练的CNN和RNN部分对于联合的时空特征表示学习（representation learning）不是最佳的。 在Res3和Res4块之后插入时序卷积模块进行全局时空特征建模。最后，用时序Xception模块进一步建模时序动态信息。 通过堆叠3D卷积/2D卷积模块，对T个局部时空特征图进行全局时空信息的建模，这对理解整个视频起到至关重要的作用。具体而言，我们选择插入2个时域建模块在Res3和Res4块之后。
1.5K20发布于 2019-06-10 金融业隐私计算联合建模技术与应用研究
(二)隐私安全技术当前面临的主要问题及参考解决方案 (三)主要建模技术对比分析 四、联合建模通用技术平台参考框架 (一)联合建模通用技术平台建设的目的与意义 (二)联合建模通用技术平台的技术架构参考 (三)联合建模通用技术平台非功能指标与设计参考 (四)联合建模通用技术平台关键机制 五、联合建模应用分析 (一)联合建模应用场景分类与特征细分 (二)联合建模的应用场景的其他分类方式 六、发展与建议 ( 传统联合建模需归集数据，存在泄露风险；而隐私保护联合建模虽保障安全（原始数据不出私域），但性能损耗较大，且由于技术假设（多基于半诚实模型）与实际环境的匹配性需达成一致，存在潜在安全漏洞。 支撑联合建模主要有四类技术路线： •**多方安全计算（MPC）**：安全性高，但性能较低，适用于两方或多方联合计算。 平台提供可视化操作界面，支持拖拽式建模，降低了使用门槛，同时支持多方联合建模，兼顾了安全性与工程实用性。
13710编辑于 2026-05-30- 来自专栏时空探索之旅
AI论文速读 | 2024不只路线：联合 GPS 和路线建模的轨迹表示学习
为了解决这些问题，论文提出了一个基于自监督技术的联合GPS和路线建模的表示学习框架。 路线建模 VS 聚合建模 如(a)所示，路线轨迹中的一个路段，只能通过之前后的路段进行建模，并且缺乏直接的自我观察（self-observation）。 因此，路径轨迹与GPS轨迹的联合建模可以实现宏观和微观视角的有效结合 Q: 有哪些相关研究？ ST2Vec、JCLRNT 和 START：引入图编码器进行空间建模，通过道路网络结构进一步限制轨迹表示空间。 消融实验：通过消融实验，论文评估了JGRM中各个组件的贡献，证明了MLM任务在提高模型性能方面的重要性，以及联合建模GPS和路线轨迹的有效性。
51810编辑于 2024-11-19 《金融业隐私计算联合建模技术与应用研究》报告概览
据亿欧智库和智研咨询数据测算，2024年我国智能风控规模预计达 203亿元，其中联合建模在金融业的潜在市场空间高达 170亿元。 本报告旨在系统性剖析隐私安全联合建模的底层技术体系与通用平台架构，为金融机构构建安全合规的数据合作生态、挖掘跨界数据价值提供具有高度实操性的决策指南。 第三章：报告目录 一、发展综述 （一）联合建模概念探讨 （二）技术发展历程及驱动力 二、国内外实践情况 （一）国外应用情况 （二）国内应用情况 三、支撑联合建模应用的隐私计算技术体系 （一）隐私计算技术体系简述 （二）隐私安全技术当前面临的主要问题及参考解决方案 （三）主要建模技术对比分析 四、联合建模通用技术平台参考框架 （一）联合建模通用技术平台建设的目的与意义 （二）联合建模通用技术平台的技术架构参考 （三）联合建模通用技术平台非功能指标与设计参考 （四）联合建模通用技术平台关键机制 五、联合建模应用分析 （一） 联合建模应用场景分类与特征细分 （二） 联合建模的应用场景的其他分类方式 六、发展与建议
17210编辑于 2026-06-01- 来自专栏全栈程序员必看
数仓建模与分析建模_范式建模和维度建模
建模方法论 今天我们主要介绍常见的建模方法，这也就是我们今天文章的名称——建模方法论 20年前兴起的数据仓库简单的可分为两大流派，Inmon方法和Kimball方法，分别由 Ralph Kimbal和Bill 区别的关键在于如何在数据仓库中建模、加载和存储数据的方式。而由此出发的不同架构影响到了数据仓库的建设成本和到适应用户不断变化的ETL逻辑的能力。 建模的目的 数仓的建模或者分层，其实都是为了更好的去组织、管理、维护数据,所以当你站在更高的维度去看的话，所有的划分都是为了更好的管理。
79610编辑于 2022-11-09 - 来自专栏新智元
清华哈佛联合建模4D语言场 | CVPR 2025
该方法利用多模态大模型生成物体级的语言描述，并通过状态变化网络实现语义特征的平滑建模，显著提升了动态语义场的建模能力。 尽管现有方法在静态语义场重建方面已取得显著成果，但如何建模4D语言场（4D language fields）以实现动态场景中时间敏感且开放式的语言查询，仍面临诸多挑战，动态世界的语义建模对于推动许多实际应用的落地至关重要 在动态语义特征建模方面，4D LangSplat引入了状态变化网络（Status Deformable Network），通过先验压缩语义特征的学习空间，实现了更加稳定和准确的语义特征建模，同时确保了特征随时间的平滑变化 数学上，其建模方式如下： 其中，w代表模型预测的系数，S代表状态特征。在训练过程中，状态特征和预测系数的状态变化网络联合优化，以确保对变化语义特征的准确和平滑建模。 为了完成这两个子任务，研究人员同时渲染了时间无关的语义场和时间敏感的语义场，前者基于CLIP提取语义特征，且不对语义特征的变化进行建模；后者则采用该方法提取时间敏感语义，并利用状态变化网络对语义特征进行建模
38810编辑于 2025-04-04 - 来自专栏拓端tecdat
python中Copula在多元联合分布建模可视化2实例合集|附数据代码
p=35748 Copula是一个用于描述多个随机变量之间相关性的函数，它将这些变量的联合分布与其边缘分布连接起来。 Copula函数由Sklar定理所定义，该定理指出，对于N个随机变量的联合分布，可以将其分解为这N个变量各自的边缘分布和一个Copula函数。 本文旨在通过一系列实例，展示如何在Python中使用Copula进行多元联合分布建模和可视化。 1.Copula在多元联合分布建模 Copula函数在金融风险管理、精算学和统计推断等领域有广泛应用。 一种建模依赖关系的方法是使用copula。
1.1K10编辑于 2024-12-03 - 来自专栏全栈程序员必看
数仓建模与分析建模_数据仓库建模与数据挖掘建模
[外链图片转存中…(img-uQis5F2c-1645262440294)] 范式 第一范式：属性不可分割 第二范式：消除不分函数依赖 第三范式：消除传递依赖 关系建模与维度建模 关系建模：将复杂的数据抽象为两个概念 维度建模：模型相对清晰、简洁。维度模型以数据分析作为出发点，不遵循三范式，故数据存在一定的冗余。维度模型面向业务，将业务用事实表和维度表呈现出来。 4. 维度建模一般按照以下四个步骤：选择业务过程→声明粒度→确认维度→确认事实。 在DWD层，以业务过程为建模驱动，基于每个具体业务过程的特点，构建最细粒度的明细层事实表。事实表可做适当的宽表化处理。 DWD层是以业务过程为驱动。 DWS层、ADS层都是以需求为驱动，和维度建模已经没有关系了。 DWS层建宽表，按照主题去建表。主题相当于观察问题的角度，对应着维度表。
2K20编辑于 2022-11-09 - 来自专栏喵叔's 专栏
RavenDB建模--常见建模方案
在 RavenDB 中对如何在应用程序中进行数据建模没有任何要求，我们可以使用任何形式进行建模，RavenDB 只关心如何构建数据，这就是我们后续几篇文章要讲解的内容。 public Parent Mother { get; set; } public Registration Registration { get; set; } } 我们在建模时应遵循 RavenDB 建模的核心原则，要确定哪些信息可以放在一起，哪些信息是独立的，这就是我们上篇文章介绍的优秀的文档模型应具备独立、隔离和连贯性。 另一种情况是，如果需要对文档进行并发活动，由于文档是 RavenDB 中的并发单位，因此需要对文档进行建模，以便它们具有更改的单一原因。
89510编辑于 2022-03-22 - 来自专栏拓端tecdat
python中Copula在多元联合分布建模可视化2实例合集|附数据代码
p=35748 Copula是一个用于描述多个随机变量之间相关性的函数，它将这些变量的联合分布与其边缘分布连接起来。 Copula函数由Sklar定理所定义，该定理指出，对于N个随机变量的联合分布，可以将其分解为这N个变量各自的边缘分布和一个Copula函数。 本文旨在通过一系列实例，展示如何在Python中使用Copula进行多元联合分布建模和可视化。 1.Copula在多元联合分布建模 Copula函数在金融风险管理、精算学和统计推断等领域有广泛应用。 一种建模依赖关系的方法是使用copula。
1K10编辑于 2025-01-17 - 来自专栏全栈程序员必看
mysql 联合查询_MySQL联合查询
MySQL联合查询 联合查询：union，将多次查询(多条select语句)的结果，在字段数相同的情况下，在记录的层次上进行拼接。 执行如下 SQL 语句，进行测试： — 联合查询，默认去重 select * from class union distinct select * from class; — 联合查询，保留所有记录 select 特别地，联合查询只要求字段数相同，而跟类型无关。 根据我们刚刚学到的联合查询，貌似很容易啊！ 这是因为要想在联合查询中使用order by，我们必须将select语句用括号括起来。
24.8K30编辑于 2022-06-29 - 来自专栏phodal
元素建模：探索建模的要素
随着我们不断深入软件架构的设计里，我们也会不断也尝试着一系列不同的方法，诸如于我的同事 @少个分号 在那篇《建模方法元模型：如何设计一个建模方法》一文里，对于不同建模方式进行了简单的介绍，并进行了相关的拆解和分析 再回到面向对象这一点来看的话，建模就变成了一件非常有意思的事。 建模“建模”：从概念到模型 回到我们所开发的软件系统里，其系统的核心组成部分是由一个个的概念所组成。 建模的方式：基于“事实”的软件建模 PS：对于事实，从语言的角度，可能使用纪实、叙实会比较合适。 基于凭证的建模：履约建模 履约建模是一个比较新的建模方法，它基于凭证的方式来设计系统。其核心要素是：作为业务凭证，只存在创建，不存在修改和删除。 建模建模 从某种意义上来说，寻找这些“事实”的过程，便是系统状态的表征过程。
63230编辑于 2021-12-04 - 来自专栏全栈程序员必看
dh参数建模_data vault 建模
仅供个人学习记录 前言 DH法一般用一次就丢，然后后面再需要用的时候就会忘，所以本文整理了DH建模法，方便需要使用的时候进行参考。这里不讲原理，只讲结论和方法 1. 建模方法（简述） DH法可分成以下几步： 辨认出关节和连杆（关节序号从1到n，连杆序号从0到n） 确定Z轴（n号关节上的坐标系序号为n-1） 确定每个坐标系的原点 确定XY轴 确定Tool frame（ 建模方法（详细） 需要建模的话，按照如下步骤一步步建模即可。注意tool frame那边建完了需要检查 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
91110编辑于 2022-09-29 - 来自专栏大数据学习与分享
数据建模-维度建模-维度设计
导读： 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。维度和维度属性是维度的两个核心概念，如何构建维度的属性是维度设计中需要关注的。 作为维度建模的核心，我们在企业级的数据仓库中必须保证维度的唯一性。以淘宝商品维度为例，我们有且只允许有一个维度定义。 第二步：确定主维度表。 二、第二部分 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。 常用的方式是将来源各子集的自然键作为联合主键的方式，并且在物理实现时，将来源字段作为分区字段。 有整合就有拆分，到底是做整合还是拆分，都有哪些因素决定。下面开始讨论维度的水平拆分和垂直拆分。 02 快照维表 维度的基本概念中介绍了自然键和代理键的定义，在Kimball的维度建模中，必须使用代理键作为每个维度表的主键，用于处理缓慢变化维度。
1.8K31编辑于 2023-09-06 - 来自专栏Java架构师必看
建模 python_整数规划建模例题
今天说一说建模 python_整数规划建模例题,希望能够帮助大家进步!!! Python之建模规划篇--整数规划 基本介绍 整数规划的分类 整数规划的特点 求解方法分类 0 - 1 型整数规划 蒙特卡洛法 (随机取样法) 整数线性规划的计算机求解 分枝定界法 Python
1.8K10编辑于 2022-07-19 - 来自专栏全栈程序员必看
数据建模与数仓建模_数仓建模的几种方式
所谓水无定势，兵无常法。不同的行业，有不同行业的特点，因此，从业务角度看，其相应的数据模型是千差万别的。在开始介绍数据模型之前，我们先看一个东西，那就是算法与数据结构，我们知道算法是解决特定问题的策略，数据结构处理问题的数学模型，数据结构 有三大要素，逻辑结构、存储结构、数据操作、这里的数据操作其实就是算法，例如我们定义的图的数据结构，然后在这个基础上对图进行操作形成特定的算法，例如深度遍历和广度遍历；我们的数据结构其实是针对特定的数据问题而抽象和设计的，也就是说一种数据结构针对的是一类特定的问题。
88140编辑于 2022-11-15 - 来自专栏喵叔's 专栏
RavenDB 文档建模--RavenDB 高级建模方案
上篇文章讲解了标准业务数据的建模方案，但是在实际项目中还存在非标准方案来解决大量复杂的数据结构，那么本篇文章就来讲讲。 根据建模基本原则这样设计出来的文档不符合独立性和连贯性，这样做也没有任何意义（如果把全国34个省级区域写入库中就需要有34个文档）。 "BJ":"北京", "HN":"河南", "HAN":"海南", "HUN":"湖南", "SH":"上海" } 上面这种对 Reference data 建模的方式有如下几个有点 在 RavenDB 中对时态数据进行建模的方法是 完全接受其文档性质 ，因为在大多数时态域中，文档和视图随时间变化的概念非常重要。 以这个为例，我来讲解一下，当将数据建模为物理文档时，我们不需要将工资存根建模为可变实体，而是将时间点视图建模。在其涵盖的时间范围内所做的任何更改都将反映下一个月的工资单中。
74240编辑于 2022-03-22 - 来自专栏喵叔's 专栏
RavenDB 文档建模--建模注意事项
我们在开始讲解如何在 RavenDB 中建模之前，先来看看注意事项，这些内容与我们将要辨析的模型有着直接的关系。 这里需要注意的第一点是 不要在不同应用之间建立共享数据库。 因此每个应用程序应该对立的进行数据建模，并不断的根据需求进行改进。 读到到这里，肯定有人会问了：不同的应用程序直接或多或少的都需要共享数据，那么使用 RavenDB 如何实现这一点呢？ 那么，我们在进行建模的时候，应该考虑我的关注点是当前值（例如 Order 文档中的当前订单配送地址）还是时间点值（例如 Order 文档的历史订单配送地址），如果是时间点值那么我们就需要进行数据冗余存储 以上几小段的内容总结下来就是建模文档的核心原则： 独立，一个文档应该独立于其他任何文档而存在，如果某个文档脱离了其他文档而不具备存在的条件，那么这个文档就不是独立的，例如 Order 文档中存在 Address
41420编辑于 2022-03-22 - 来自专栏技术一号位指南(小诚信驿站)
业务建模：重新审视建模的意义
一、读前思考问题 1.1、什么是建模 1.2、建模不建模，代码写出来有什么不一样吗？ 建模是研究系统的重要手段和前提。 (比如时间、资源、成本、用户等等因素) 分析过程：建模的本质是对于事物的抽象，方便我们理解和分析事物的本质。 1.png 2.png 2.1.3、问题答案 统一答案：建模的本质是对于事物的抽象过程，方便我们理解和分析事物的本质 行业答案：建模的本质是基于当前事物域问题，通过实际经验，进行事物本质(元素和元素之间关系 2.1.4、案例 2.1.4.1、未建模前 image.png 2.1.4.2、建模以后 image.png image.png 2.2、问题二 2.2.1、问题答案 正确答案和理论、实际代码会有体现上不一样
4.1K543编辑于 2022-05-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号