ownnaruto
ownnaruto
Hi~Thank you for providing such an excellent work! But I have some questions about the calculation of the "decay_diff" term. ( LambdaRank.py, line 197) I noticed that you are using...
您好，我对于时间序列非平稳带来的问题一直存在一些疑惑，时间序列非平稳是指序列的统计信息随时间变化，可是这到底是如何影响神经网络模型的预测呢？神经网络预测输入的是历史序列，输出的是未来序列，只要这个映射关系是存在一定规律的，那么神经网络应该就能够在一定程度上学到这种关系，序列的非平稳是如何影响这种映射关系的呢？为什么平稳的序列就一定更好呢？（白噪声也是一种平稳序列，可是却完全无法预测。
您好，我对于时间序列非平稳带来的问题一直存在一些疑惑，时间序列非平稳是指序列的统计信息随时间变化，可是这到底是如何影响神经网络模型的预测呢？神经网络预测输入的是历史序列，输出的是未来序列，只要这个映射关系是存在一定规律的，那么神经网络应该就能够在一定程度上学到这种关系，序列的非平稳是如何影响这种映射关系的呢？为什么平稳的序列就一定更好呢？（白噪声也是一种平稳序列，可是却完全无法预测。
您好，感谢您提供这么完整，清晰的框架。 我注意到目前框架在训练时是固定训练100个epoch，这样是否可能会存在训练不充分的问题？（比如STID 在METR-LA数据集上100个epoch似乎并未训练充分，可能效果还能再继续提升一些），能否加入early stop机制呢？
The 'GTS' results reported in your paper are inconsistent with the corresponding paper, as detailed below: you paper： original paper： How this happen？
论文的对比实验是否公平呢？ 1. STEP的encoder使用了过去288 * 7个时间点的数据得到最后的hidden表示，然后和最近12个时间点的原始数据一起作为预测部分的输入 2. 然而论文中对比的方法几乎全部都是只使用了过去12个时间点的原始数据作为输入，而你们使用了更多的历史数据，蕴含信息更多，可能使得预测变得更容易了 所以我觉得这样对比论文的实验是不公平的
### Description of the new feature / enhancement | 您所需的新功能或能力 1. 您好，非常感谢您的代码，我对这个方向的对比实验有些疑问，看到很多这个方向的论文对比的方式似乎都不太一样。一些论文在Step 3, Step 6, Step 12上进行比较，有些论文却在average上进行比较，想问下您更赞成哪一种呢？ 2. 想请问一下您是否可以公开baseline的训练log，从而能够方便社区进行更统一的对比实验呢？ ### Scenario when this would be used? | 使用场景 社区的统一对比 ###...
代码问题
你好，请问你们实验的设置是什么？按照main.py的默认参数和论文中的描述不完全一致，差异很大。 另外，你们所有的数据集都用70%作为训练集，10%作为验证集，和20%作为测试集，但论文中的实验设置又说使用连续的10天作为训练，并不一致。
代码问题
代码中为什么要返回 5个一样的值呢？