1 时间序列

1.1 时间序列预测

论文名称

来源

主要内容

论文笔记：DCRNN （Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting）_UQI-LIUWJ的博客-CSDN博客

iclr 2017

使用双向扩散卷积+GRU，建模空间和时间依赖性

机器学习笔记 soft-DTW（论文笔记 A differentiable loss function for time-series）_UQI-LIUWJ的博客-CSDN博客

2017 icml

soft-dtw，可微分版本的dtw

PYTORCH 笔记 DILATE 代码解读_UQI-LIUWJ的博客-CSDN博客

论文笔记：Forecasting at Scale（Prophet）_UQI-LIUWJ的博客-CSDN博客

2017 facebook

时间序列分解成趋势，季节性和特定节假日的影响这三类

交通预测论文笔记：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecast_UQI-LIUWJ的博客-CSDN博客

IJCAI 2018

交通预测论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》_UQI-LIUWJ的博客-CSDN博客

AAAI2019

ASTGCN:

1）使用空间注意力机制来建模空间层面复杂的相关性

2）使用时间注意力机制来捕获不同时间之间的动态时间相关性

3）使用图卷积来捕获交通图中的空间特征；以及不同时间篇之间的依赖关系

论文笔记： Modeling Extreme Events in Time Series Prediction_UQI-LIUWJ的博客-CSDN博客

2019 KDD

使用记忆网络来记忆历史记录中的极端事件

开发了一种新的损失函数，称为极值损失（EVL）【约束异常事件的分布】

论文笔记 Enhancing the Locality and Breaking the MemoryBottleneck of Transformer on Time Series Forecas_UQI-LIUWJ的博客-CSDN博客

NIPS 2019

transformer 用于时间序列

1，使用因果卷积使得Q,K计算过程中可以看到一定的局部性

2，提出LogSparse Transformer，将空间复杂度降至 $O(L(logL)^2)$

论文笔记：N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FORINTERPRETABLE TIME SERIES FORECASTING_UQI-LIUWJ的博客-CSDN博客

ICLR 2020

利用深度学习解决单变量时间序列点预测问题

提出了一种基于后向和前向残留链路和一个非常深的全连接层堆栈的深度神经结构。该模型具有可解释性

论文笔记：Unsteady Multi-Element Time Series Analysis and Prediction Based on Spatial-Temporal Attention_UQI-LIUWJ的博客-CSDN博客

2020 MDPI

时空注意力机制

论文笔记 A Spatial-Temporal Decomposition Based Deep Neural Network for TimeSeries Forecasting_UQI-LIUWJ的博客-CSDN博客

时空数据分解+ Conv LSTM

交通预测论文翻译：Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions_UQI-LIUWJ的博客-CSDN博客

IEEE Transactions on Intelligent Transportation Systems 2021

综述性质论文，同时给出了一些公共数据集

论文笔记：COST: CONTRASTIVE LEARNING OF DISENTANGLEDSEASONAL-TREND REPRESENTATIONS FORTIME SERIES FOREC_UQI-LIUWJ的博客-CSDN博客

ICLR 2022

将时间序列解耦成趋势表征和周期表征，同时使用了对比学习

论文笔记 Triformer: Triangular, Variable-Specific Attentions for Long SequenceMultivariate Time Series_UQI-LIUWJ的博客-CSDN博客

2022 IJCAI

使用attention进行长期时间序列分解。通过patch attention，使得复杂度维O(n)

1.2 时间序列补全

论文名称

来源

主要内容

论文笔记 Spectral Regularization Algorithms for Learning Large IncompleteMatrices （soft-impute）_UQI-LIUWJ的博客-CSDN博客

2010 JMLR

基于迭代SVD的矩阵补全（软阈值+硬阈值）

对MF有很多理论的证明和说明（写论文的时候可以用来参考）

论文笔记:Temporal Regularized Matrix Factorization forHigh-dimensional Time Series Prediction_UQI-LIUWJ的博客-CSDN博客

NIPS 2016

TRMF 辅助论文：最小二乘法复现TRMF_UQI-LIUWJ的博客-CSDN博客

提出了一个新的时间正则化矩阵分解框架(TRMF)用于高维时间序列分析。

论文笔记 & R 笔记：imputeTS: Time Series Missing ValueImputation in R_UQI-LIUWJ的博客-CSDN博客

R语言包，进行单变量时间序列补全

论文笔记：Autoregressive Tensor Factorizationfor Spatio-temporal Predictions_UQI-LIUWJ的博客-CSDN博客

ICDM 2017

在TRMF的基础上，添加了空间自回归DAR的正则项

论文笔记： BRITS: Bidirectional Recurrent Imputation for Time Series_UQI-LIUWJ的博客-CSDN博客

2018NIPS

双向LSTM进行补全&时间序列分类/回归

论文笔记：Hankel Matrix Factorization for Tagged Time Series to Recover Missing Values during Blackouts_UQI-LIUWJ的博客-CSDN博客

2019 ICDE

对于连续数据缺失的补全（单变量时间序列）

论文笔记：NAOMI: Non-Autoregressive MultiresolutionSequence Imputation_UQI-LIUWJ的博客-CSDN博客

2019NIPS

使用双向RNN+分治（对抗学习）的方式进行补全

论文笔记：Matrix Completion in the Unit Hypercube via Structured Matrix Factorization_UQI-LIUWJ的博客-CSDN博客

2019IJCAI

EMF,SMF 用于 0~1的打分矩阵补全

论文笔记：Stochastic Weight Completion for Road Networks using Graph Convolutional Networks_UQI-LIUWJ的博客-CSDN博客

ICDE2019

graph-autoencoder

论文笔记 Traffic Data Reconstruction via Adaptive Spatial-Temporal Correlations_UQI-LIUWJ的博客-CSDN博客

part-c 2019

TAS-LR 论文辅助笔记 & 图拉普拉斯正则项推导_UQI-LIUWJ的博客-CSDN博客

MF+时间序列约束和自适应拉普拉斯正则化空间约束

论文笔记：Time Series Data Imputation: A Survey on Deep Learning Approaches_UQI-LIUWJ的博客-CSDN博客

20年（attention之前）的time series 补全论文综述

论文笔记：Mind the Gap An Experimental Evaluation of Imputation ofMissing Values Techniques in TimeSeries_UQI-LIUWJ的博客-CSDN博客

PVLDB 2020

12种方法的比较

论文笔记：SAITS: SELF-ATTENTION-BASED IMPUTATION FOR TIMESERIES_UQI-LIUWJ的博客-CSDN博客

2021

将self-attention运用到time-series中

论文笔记：Missing Value Imputation for Multi-view UrbanStatistical Data via Spatial Correlation Learning_UQI-LIUWJ的博客-CSDN博客

TKDE 2021

空间关联性的挖掘
多维度属性关联性的问题
时间信息的缺失
设计了一种空间相关的多核 K 均值 (S-MKKM) 方法来识别多视图之间的潜在关系并捕获区域相似性。
提出了一种自适应权重非负矩阵分解方法，以利用上面学到的信息来解决多视图缺失数据插补问题。此外，所提出的方法还考虑了单视图信息补全模型的特点，同时考虑了 KNN 策略来利用真实地理信息。

论文笔记：HKMF-T: Recover From Blackouts in TaggedTime Series With Hankel Matrix Factorization_UQI-LIUWJ的博客-CSDN博客

2021 TKDE

对于连续数据缺失的补全（延伸到多变量时间序列）

论文笔记：Spatial Data Imputation with Landmarks_UQI-LIUWJ的博客-CSDN博客

非负矩阵分解+拉普拉斯约束+landmark（landmark细节后续补充）

1.3 next-location

论文名称

来源

主要内容

论文阅读笔记：STAN: Spatio-Temporal Attention Network for Next Location Recommendation_UQI-LIUWJ的博客-CSDN博客

提出一种基于注意力机制的神经网络架构，考虑用户访问轨迹中每个访问点相较于整个过往访问轨迹的时空关系，以此对不相邻非连续但功能相近的访问点进行关联，打破以往仅仅关联连续、相邻访问点的限制。

1.4 region representation

论文名称

来源

主要内容

论文笔记：Region Representation Learning via Mobility Flow_UQI-LIUWJ的博客-CSDN博客

2017 CIKM

使用了flow graph和spatial graph来学习region 向量表征

每一个点表示（地理空间上的点+时刻）

2 datamining

论文名称

来源

主要内容

论文笔记：Integrating Classification and Association Rule Mining （CBA算法）_UQI-LIUWJ的博客-CSDN博客

1998 KDD

生成类关联规则的完整集合，这个集合满足最小支持度以及最小置信度
建立一个基于类关联规则的分类器

Data Mining 论文翻译：Deep Learning for Spatio-Temporal Data Mining: A Survey_UQI-LIUWJ的博客-CSDN博客

3 其他

论文名称

来源

主要内容

论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo （ICML 2008）_UQI-LIUWJ的博客-CSDN博客

ICML 2008

BPMF论文辅助笔记：固定U，更新θU 部分推导_UQI-LIUWJ的博客-CSDN博客

https://blog.csdn.net/qq_40206371/article/details/120865455

在模型中使用了马尔可夫链蒙特卡罗(MCMC)方法进行近似推理

为超参数引入先验，并在参数和超参数上最大化模型的对数后验，从而允许基于训练数据自动控制模型的复杂性。

论文笔记：[ICLR 2020] Tips for prospective and early-stage PhD students_UQI-LIUWJ的博客-CSDN博客

ICLR 2020

论文笔记：Honor of Kings Arena: an Environment forGeneralization in Competitive Reinforcement Learning_UQI-LIUWJ的博客-CSDN博客

NIPS2022

王者荣耀开悟平台

论文笔记：A survey of deep nonnegative matrix factorization_UQI-LIUWJ的博客-CSDN博客

2022

DNMF综述

4 生物

论文名称

来源

主要内容

生物计算论文笔记1：The construction of next-generationmatrices for compartmentalepidemic models_UQI-LIUWJ的博客-CSDN博客

SEIR模型中基本再生数R0和下一世代矩阵NGM之间的关系

论文笔记：Highly accurate protein structure prediction with AlphaFold (AlphaFold 2 & appendix)_UQI-LIUWJ的博客-CSDN博客

利用Transformer变体，物理和生物知识，预测蛋白质3D结构

原子级别的误差

5 图

5.1 图聚类

论文名称

来源

主要内容

论文笔记：Weighted Graph Cuts without Eigenvectors:A Multilevel Approach_UQI-LIUWJ的博客-CSDN博客

TPAMI 2007

图中点聚类<——>kernel k-means

机器学习笔记：聚类模糊聚类与模糊层次聚类（论文笔记 Fuzzy Agglomerative Clustering :ICAISC 2015）_UQI-LIUWJ的博客-CSDN博客

ICAISC 2015

模糊聚类 + 分层聚类

算法/论文笔记 Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm （2017）_UQI-LIUWJ的博客-CSDN博客

2017

graph点cluster 算法

5.2 GNN

论文名称

来源

主要内容

论文笔记：E(n) Equivariant Graph Neural Networks_UQI-LIUWJ的博客-CSDN博客

2021ICML

在传统GNN的基础上，每个点不仅有标量信息，还有矢量信息，EGNN可以保证矢量经过EGNN之后平移、旋转、排列等变性

论文笔记：GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classific_UQI-LIUWJ的博客-CSDN博客

IJCAI

自适应邻接矩阵+STGCN+时空注意力，用于睡眠阶段分类

6 机器学习类

论文名称	来源	主要内容
论文笔记：On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima_UQI-LIUWJ的博客-CSDN博客	ICLR 2017	大batch size会导致在测试集上泛化效果不行，原因在于大batch学到的local minima太sharp
当分布非正态分布时，能否使用Pearson Correlation？_UQI-LIUWJ的博客-CSDN博客		大部分情况下，Pearson correlation是很robust的，除非数据很不正态分布，且数据量不足。论文中比较了12种处理方法，并提出建议

7 强化学习

论文名称

来源

主要内容

论文笔记 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CSDN博客

KDD 2021

使用GRU来求解未知疾病状态

使用DQN来或者各区域重要性排序

使用actor-critic来求解各区域口罩病床分配情况

论文代码解读 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CSDN博客

论文笔记：STMARL: A Spatio-Temporal Multi-AgentReinforcement Learning Approach for Cooperative Traffic_UQI-LIUWJ的博客-CSDN博客

使用attention和LSTM进行空间和时间建模，然后对每个红绿灯分别进行强化学习，计算红绿灯控制方式

7.1 分层强化学习

论文名称	来源	主要内容
论文笔记： Feudal Reinforcement Learning_UQI-LIUWJ的博客-CSDN博客		用Q-table实现的最早的层次强化学习
分层强化学习：基于选项（option）的强化学习/论文笔记 The Option-Critic Architecture 2017 AAAI_UQI-LIUWJ的博客-CSDN博客	AAAI 2017	两层决策，option可以视作一组action的时域抽象。上层策略现决定选择哪个option。然后option再选择执行哪些action，每个option有自己的策略函数和终止函数
论文笔记：When Waiting Is Not an Option:Learning Options with a Deliberation Cost AAAI 2018_UQI-LIUWJ的博客-CSDN博客	AAAI 2018	在上一篇option-critic的基础上，认为切换option的时候是有开销的，不能很频繁地切换option
论文笔记：Hierarchical Deep Reinforcement Learning:Integrating Temporal Abstraction and Intrinsic_UQI-LIUWJ的博客-CSDN博客		上层函数mata-controller根据state，从实现给定的目标集中选择一个目标传给底层函数controller，controller 根据状态s和目标g选择动作。 goal作为一个输入，所以不同的goal共享相同的Q函数
论文笔记：FeUdal Networks for Hierarchical Reinforcement Learning_UQI-LIUWJ的博客-CSDN博客		也是上层制定goal，下层实现。不过和上一个H-DQN不同，这里并没有一个goal集合，这边学习的goal可以看成是一个direction，也就是状态S 变化的方向。如果下层学到的策略使得实际的状态按照goal的方向变化，那么reward会比较大
论文笔记：Universal Value Function Approximators_UQI-LIUWJ的博客-CSDN博客		求解V(s,g)。由于(s,g)对很少，所以将s-g对组成的矩阵进行矩阵分解（行state，列goal）