该研究提出显式周期引导的长期时间序列预测方法，核心包括Periodformer和CycleNet两种模型。Periodformer通过周期注意力机制显式捕捉长期周期性模式，降低计算复杂度；CycleNet利用可学习循环队列提取全局周期成分，并对残差进行预测。两者均通过显式周期性建模有效提升预测精度与效率，在多项基准测试中表现优异，尤其适用于电力、能源等周期性显著的数据。
显式周期引导的长时序列预测-邵羊飞原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2025/11/03/%e6%98%be%e5%bc%8f%e5%91%a8%e6%9c%9f%e5%bc%95%e5%af%bc%e7%9a%84%e9%95%bf%e6%97%b6%e5%ba%8f%e5%88%97%e9%a2%84%e6%b5%8b/
近年来，基于机器学习的算法在恶意流量检测领域中越来越流行，但此类算法通常使用浅层模型，在训练之前需要一组专家手工制作的特征来预处理数据。此类方法的主要问题是，在不同类型的场景下，手…
以本人为主提出了基于ES（基本数据流层）的视, 音频剪辑算法；基于打包数据流层的视, 音频剪辑算法；基于PES流的视, 音频同步剪辑算法。并基于这些算法实现了基于MPEG-2码流的…
段错误（segmentation fault）是我们在Linux下编程以及在线提交代码常见的错误。本次学术报…
近年来，尽管针对监督任务的深度模型取得了巨大成功，但机器学习和统计学界对深度聚类方 法的研究有限。在这次学术报告中，我们将讨论深度高斯混合聚类，一个由经典高斯混合模型推广而来 的强…
知识追踪是缓解基础教育普及需求和严重不足的教师数量之间矛盾的一个关键途径。目前，提高知识追踪的个性化水平是研究重点之一。本次报告介绍了两类强化学生个性的知识追踪技术，包括额外个性化…
本报告介绍了深度学习后门攻击的基本概念、类型划分等背景知识，对一种基于模型权重修改和一种基于模型结构修改的后门攻击算法进行了具体说明，阐述了对于深度学习后门攻击领域现状的未来发展的…
本报告介绍了APT攻击行为的基本概念，展示了APT攻击行为表示的方法原理，并分别讲述了面向恶意流量数据场景下的攻击行为检测技术和面向开源威胁情报场景下的攻击行为提取方法，最后简要梳…
深度学习模型的鲁棒性解释方法旨在提升模型在面对输入扰动或对抗攻击时的解释一致性，是增强模型可信性和应用价值的重要研究方向。本次学术报告介绍了该领域的研究背景与发展现状，重点阐述了M…
通过模型反演攻击方法研究，验证了模型训练数据面临泄露风险的问题，并希望以此促进对应防御手段的发展。本次学术报告介绍了模型反演攻击方法的相关知识，并聚焦于两个经典的白盒和黑盒攻击方法…
近年，机器学习已经在计算机视觉、语音识别、语音合成以及自然语言处理（NLP）领域取得了突破性成果，在机器翻译和情感计算中展现的能力也颇令人期待。 其中机器学习方法可以分为生成方法（…
