研究者提出双流OSSE-LSTM少标签分类框架
热点事件持续更新
研究者提出双流OSSE-LSTM少标签分类框架
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Nguyen Ho等作者提出 Dual-Stream OSSE-LSTM，一种面向少标签场景的 episodic 度量学习框架，用于大规模时间序列分类。该框架将 Omni-Scale CNN 与 Squeeze-and-Excitation 重校准、双向 LSTM 组成双流结构，融合为原型导向嵌入，并称其多尺度 motif 提取无需按数据集调参。 作者同时引入 Counterfactual Integrated Gradients（C-IG），用于可解释归因与测试时原型精修。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
Dual-Stream OSSE-LSTM：标签高效的大规模时间序列分类框架报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.AIDual-Stream OSSE-LSTM：标签高效的大规模时间序列分类框架
研究者提出 Dual-Stream OSSE-LSTM，一种面向少标签场景的 episodic 度量学习框架，将 Omni-Scale CNN 与 Squeeze-and-Excitation 重校准、双向 LSTM 双流融合为原型导向嵌入，并引入 Counterfactual Integrated Gradients（C-IG）实现可解释归因与测试时原型精修。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。