记录一下，论文建模对话结构和时序动态来联合预测谣言立场和真实性及其代码复现。1引言　　之前的研究发现，公众对谣言消息的立场是识别流行的谣言的关键信号，这也能表明它们的真实性。因此，对谣言的立场分类被视为谣言真实性预测的重要前置步骤，特别是在推特对话的背景下。1.1建模推特对话结构　　一些先进的谣言立场分类方法试图模拟Twitter对话的序列属性或时序属性。在本文中，我们提出了一个基于结构属性的新视角：通过聚合相邻推文的信息来学习推文表示。　　直观地看，一条推文在对话束中的邻居比更远的邻居更有信息，因为它们的对话关系更接近，它们的立场表达有助于中心推文的立场进行分类。例如，在图1中，推文“1

　　记录一下，论文建模对话结构和时序动态来联合预测谣言立场和真实性及其代码复现。1引言　　之前的研究发现，公众对谣言消息的立场是识别流行的谣言的关键信号，这也能表明它们的真实性。因此，对谣言的立场分类被视为谣言真实性预测的重要前置步骤，特别是在推特对话的背景下。1.1建模推特对话结构　　一些先进的谣言立场分类方法试图模拟Twitter对话的序列属性或时序属性。在本文中，我们提出了一个基于结构属性的新视角：通过聚合相邻推文的信息来学习推文表示。　　直观地看，一条推文在对话束中的邻居比更远的邻居更有信息，因为它们的对话关系更接近，它们的立场表达有助于中心推文的立场进行分类。例如，在图1中，推文“1

这个系列我们用现实中经常碰到的小样本问题来串联半监督，文本对抗，文本增强等模型优化方案。小样本的核心在于如何在有限的标注样本上，最大化模型的泛化能力，让模型对unseen的样本拥有很好的预测效果。之前在NER系列中我们已经介绍过DataAugmentation，不熟悉的童鞋看过来中文NER的那些事儿4.数据增强在NER的尝试。样本增强是通过提高标注样本的丰富度来提升模型泛化性，另一个方向半监督方案则是通过利用大量的相同领域未标注数据来提升模型的样本外预测能力。这一章我们来聊聊半监督方案中的一致性正则～一致性正则～一个好的分类器应该对相似的样本点给出一致的预测，于是在训练中通过约束样本和注入噪声

这个系列我们用现实中经常碰到的小样本问题来串联半监督，文本对抗，文本增强等模型优化方案。小样本的核心在于如何在有限的标注样本上，最大化模型的泛化能力，让模型对unseen的样本拥有很好的预测效果。之前在NER系列中我们已经介绍过DataAugmentation，不熟悉的童鞋看过来中文NER的那些事儿4.数据增强在NER的尝试。样本增强是通过提高标注样本的丰富度来提升模型泛化性，另一个方向半监督方案则是通过利用大量的相同领域未标注数据来提升模型的样本外预测能力。这一章我们来聊聊半监督方案中的一致性正则～一致性正则～一个好的分类器应该对相似的样本点给出一致的预测，于是在训练中通过约束样本和注入噪声

目录空间滤波（SpatialFiltering）基于距离的高斯滤波双边滤波（Bilateralfiltering）联合双边滤波（JointBilateralfiltering）[2017]一些改进及优化加速filtering:可分离的高斯滤波加速filtering:a-trouswaveletjitteringoutliersremoval时域滤波（TemporalFiltering）TemporalFiltering一些改进及优化clampingdetection混合irradiance而非colorA-SVGF[2018]估计temporalgradient重建temporalgradie

目录空间滤波（SpatialFiltering）基于距离的高斯滤波双边滤波（Bilateralfiltering）联合双边滤波（JointBilateralfiltering）[2017]一些改进及优化加速filtering:可分离的高斯滤波加速filtering:a-trouswaveletjitteringoutliersremoval时域滤波（TemporalFiltering）TemporalFiltering一些改进及优化clampingdetection混合irradiance而非colorA-SVGF[2018]估计temporalgradient重建temporalgradie

摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现

摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现

论文信息论文地址：​​https://arxiv.org/pdf/2106.14112.pdf​​源码地址：​​https://github.com/emadeldeen24/TS-TCC​​摘要Learningdecentrepresentationsfromunlabeledtime-seriesdatawithtemporaldynamicsisaverychallengingtask.Inthispaper,wepro-poseanunsupervisedTime-SeriesrepresentationlearningframeworkviaTemporalandContextual