你好 👋

深度学习替换为具体模型名称如：自适应lstm/注意力lstm/后处理lstm 背景与任务 任务背景： 多传感器技术广泛应用于医疗健康（HC）、人体活动识别（HAR）、工业控制系统（ICS） 等领域，产生大量多变量时间序列数据（即多个传感器同时采集的、随时间变化的连续数据，如医疗中的脑电信号、活动识别中的加速度计数据）。随着物联网（IoT）、可穿戴设备、工业物联网（IIoT）的发展，多传感器技术已成为采集物理世界数据的核心手段，广泛应用于三大关键领域，且每个领域都存在强烈的异常检测需求。 机动车碰撞是 15-29 岁人群的首要死因（WHO 统计），全球每年超 5000 万人因碰撞受伤，部分导致残疾。准确预测交通异常能提前预警，降低事故风险，提升道路安全。 背景要联想到： 1.做这个实验的基础条件(数据集、硬件)是否满足 2.做这个是实验的必要性，有什么作用/好处 任务目标： 在有监督场景（训练数据有标注），精准识别多传感器时间序列中的异常，在这里也就是提升交通碰撞预测的准确性（AUC-PR、AUC-ROC、F1 分数、准确率）。 有监督的即训练数据有标注 无监督的即训练数据没有标注，异常检测大部分为这种(因为有监督代价太大了，得做数据标记 ) 异常检测无监督的时候检测的是离群点和其他特征不太相符的点等 还有半监督，及一半数据是标注好的，让模型根据这一半去猜另一半 挑战 传统模型的不足之处： 仅关注静态特征（如 POI、历史流量），忽略事件间的动态演化交互； 未有效处理数据不平衡，难以捕捉稀有异常事件的内在模式；（最难的一点） 空间依赖建模单一，未考虑多视角（功能相似、碰撞历史、交通状况）的网格交互； 动态特征演化易出现「过平滑」，导致正常与异常事件的特征差异被掩盖。 不足之处得面向挑战来说——说一个模型不行，你为什么要用这个模型时： 1. 要说原来的模型相对于你的模型在设计上有什么不同； 2. 还要落实到他们真正的挑战上/处理的时候为什么不行。 任务的共性挑战： 数据不平衡：异常事件在时空上极度稀疏，模型易过度拟合正常事件，难以学习异常模式； 静态 - 动态特征的联合建模：静态特征（如 POI）是固定的，动态特征（如事件交互）是时变的，二者的依赖关系复杂，需设计灵活的融合机制； 多视角空间依赖捕捉：网格（也就是某个地区）间的影响不仅来自地理邻近，还来自功能相似、碰撞历史关联等，单一空间图无法全面覆盖；（另类的数据融合问题） 动态演化中的过平滑：动态特征随时间更新时，易因正常事件的累积导致异常与正常事件的特征趋同，降低模型区分度； 训练效率与时间依赖的平衡：动态演化具有强时间依赖，传统批处理（并行）会破坏时序关系，而单样本训练效率极低。 区分过平滑和过拟合 过平滑是什么？ 过平滑（over-smoothing）： 在 GNN 中，随着层数加深、反复邻居聚合（本质上像不断做平均），不同节点的表示会越来越相似，最终难以区分。 过拟合是什么？ 过拟合： 模型在训练数据上学得过于贴合（把噪声和偶然性也当成规律），导致训练效果很好但对未见数据泛化能力差。 过平滑 vs 过拟合（最简对比） 过平滑： 表示被“抹平”了，节点之间区分度下降。 现象：训练集和测试集都可能表现差（因为表达能力丢了）。 过拟合： 模型把训练集噪声也记住了。 现象：训练好、测试差。 过平滑更多的还是指一些尖锐点因为学太多了，被模糊掉了。 层数过多，那就是过拟合了；趋于一致一般就是学太多学太泛了，没有目的性；这也是后来为啥这么喜欢用注意力机制，因为效果确实好。 所以过平滑更像“信息被平均掉，学不出差异，该学的没学到”；过拟合是“学了不该学的细节，不该学的也学了”。 模型解析 任务组成： ...

这是我用Hugo+PaperMod主题创作的的第一篇博客。