时序数据预测任务是时间序列处理领域中一项基本的任务，根据历史时间段数据序列预测未来一段时间的数据序列，广泛应用于天气预报、经济预测、医疗保健预测等领域。在复杂的现实世界中，时序数据可能出现多元化、不规则的现象。基于统计机器学习的时序数据预测方法在面向高维的多元时序数据预测效果受限，难以同时对多个时间变量进行建模。同时，由于采样频率和时间点不一致，不规则时序数据存在数据点缺失、时间间隔不一致的问题，这加大了对其进行预测的难度。研究不规则多元时序数据预测方法具有重要的理论意义和实用价值。
不规则多元时间序列预测研究-李新帅原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2024/03/15/%e4%b8%8d%e8%a7%84%e5%88%99%e5%a4%9a%e5%85%83%e6%97%b6%e9%97%b4%e5%ba%8f%e5%88%97%e9%a2%84%e6%b5%8b%e7%a0%94%e7%a9%b6/
现在大多数方法都是直推式学习， 不能直接泛化到未知节点。这些方法是在一个固定的图上直接学习每个节点embedding，但是大多情况图是会演化的，当网络结构改变以及新节点的出现，直推…
机器学习模型可化简为求解一个目标函数/损失函数的最优化问题，根据优化目标及约束的不同，可划分为凸优化（Con…
随着机器学习的发展，机器学习已经广泛应用于入侵检测，但研究发现基于机器学习的检测技术存在安全隐患，极易遭受对抗样本的攻击，为了更好的评估入侵检测系统的鲁棒性，研究网络流量的对抗样本…
随着网络攻击日益复杂化，基于深度学习的入侵检测系统面临严峻的对抗性威胁。本次学术报告聚焦对抗样本的攻防研究，介绍了一种提升模型自身抗攻击能力的防御方法，以及一种能够有效甄别隐蔽对抗…
远程监督方法用于关系抽取任务，会给数据集带来噪声样本，为此，本文介绍了两种基于多示例学习的去噪方法，能够有效的去除训练集中存在的噪声样本。
本次报告介绍了模糊测试以及各种分类方法，并且讲解了目前流行的模糊测试工具AFL的原理，阐明了AFL工具是如何提高代码覆盖率的。针对AFL存在的测试用例生成盲目性的问题，介绍了一种基…
随着互联网技术的高速发展和数据规模的快速增长，层次多标签分类应用场景越来越多，如文献组织、新闻标注、蛋白质功能分类等。层次多标签文本分类是多标签分类下的子任务，标记每个给定文本与最…
本次报告主要讲述了加密移动流量分析方法的相关内容，介绍了加密移动流量与普通流量的区别，流量分析的常用方法。解释了判断加密移动流量所属应用程序的分析方法，最后思考模糊流量对加密移动流…
随着对抗样本的危险性日益凸显，提高模型的鲁棒性成为研究的主要方向之一，然而，在评估鲁棒性方面还没有统一的标准，使得不同的防御方法之间对比存在很大的困难。
本次学术报告简要介绍了人工智能系统面临的各种安全威胁，通过将对抗样本与后门攻击进行多方面比较，从而引入了机器学习模型后门攻击的原理和检测方法，以及后门攻击技术的应用领域。
