Variable Selection Networks

变量选择网络 ((6428461f-80d5-41b7-a166-ddadc4561d8a))

• 作用 → 每一个时间步选择相关的输入变量 ((642fc64f-e2e5-401b-9a93-6bad80edc705))
• $\tilde{\boldsymbol{\xi}}t=\sum{j=1}^{m_\chi} v_{\chi_t}^{(j)} \tilde{\boldsymbol{\xi}}_t^{(j)}$ #card
  • 时间点 t 有 $m_x$ 个变量，类别变量和连续变量都转换成 $d_{model}$ 维度
  • 非线性处理后特征 $\tilde{\boldsymbol{\xi}}t^{(j)}=\operatorname{GRN}{\tilde{\xi}(j)}\left(\boldsymbol{\xi}_t^{(j)}\right)$
    • 变量有单独 GRN，所有时间步中共享
    • $\boldsymbol{\xi}t^{(j)} \in \mathbb{R}^{d{\text {model }}}$，时间 t 第 j 个变量
• 特征选择的权重 ((643011a1-25a5-4628-92a6-7eb520ef2ece)) $\boldsymbol{v}{\chi_t}=\operatorname{Softmax}\left(\operatorname{GRN}{v_\chi}\left(\boldsymbol{\Xi}_t, \boldsymbol{c}_s\right)\right)$ #card
  • 历史输入序列 $\boldsymbol{\Xi}_t=\left[\boldsymbol{\xi}_t^{(1)^T}, \ldots, \boldsymbol{\xi}t^{\left(m\chi\right)^T}\right]^T$
  • $\boldsymbol{\xi}t^{(j)} \in \mathbb{R}^{d{\text {model }}}$ j-th varaible at time t
  • $c_s$ [[Static Covariate Encoders]] 结果
• 针对静态、过去和未来输入，分别用 {{c1 不同}} 的 VSN