一 文章相关信息
出处：ICPADS CCF C 会议（代码未开源），COUTA 研究团队的另一研究
二 Methodology
1. 整体架构：
2. Multi-Scale Sampling（多尺度）
实际上，就是对每个单通道作 “多尺度的 patch 采样”，减少时序信息损失，重复采样以促进：时序数据增益及表征的多样性
3. 特征学习模块（FLB）：
首先，切分多元时序为单变量时序，做单通道处理；接着，汇入FLB — 特征融合模块；
FLB 由两个 MLP 网络组成，前一个捕获 patch 内部的信息，后一个捕获 patch 间的信息
4. 多源信息融合：
采用 "Cross - stitch unit" — 一种 面向多任务的、共享特征的 方式，用于 “多源信息融合”，公式如下：
避免使用 “注意力” 机制或 “图神经” 结构（纯 MLP），使网络更加轻量化，减轻不必要的运算开支
三. 实验结果
