本期将分享近期全球知识图谱相关
行业动态、会议资讯、论文推荐
Amazon+GraphRAG
知识图谱+航空航天
由德国航空航天中心领导的一个国际研究小组日前介绍了火星探测遥测驱动信息系统（METIS）系统的增强功能，通过结合AR和AI来支持宇航员的长耗时任务。针对宇航员严重依赖地面支持这个问题，研究人员将GPT和AR结合在一起，以便宇航员能够通过直接叠加在视场的相关信息来便利地执行长耗时任务，无需与地球地面站进行持续的通信。研究员说该项目的目标是将程序等文档与实时传感器数据和其他附加信息集成到知识图谱中。存储和实时更新的信息然后通过AR提示和自然语言语音交互以直观的方式显示，从而增强宇航员的自主性。
https://t.hk.uy/bMAJ
CCF程序员大会
智汇大理，码动未来。本次会议将于2024.12.21-12.23在云南省大理白族自治州大理国际会议中心举行。共筑新发展、新范式聚焦程序员群体的创造力，打造一个面向产业界的技术与文化盛会。CCF程序员大会以技术与文化为两条主线，促进技术交流与文化融合。
数智融合赋能数字中国，2024首届CCF中国数据大会邀您12月海南琼海共襄盛举！本次会议由CCF主办，将于12月28日-12月30日在海南琼海博鳌亚洲论坛国际会议召开。各顶级学者、企业专家等众多顶尖数据大咖将齐聚琼海，展开为期3天的技术交流与合作，共同探讨数智融合赋能数字中国！
本周推荐的是NeurIPS 2021上的论文：Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting，该文介绍了一种名为Autoformer的新型时序数据长期预测模型。作者来自清华大学。
作者研究了时间序列的长期预测问题。 现有的基于Transformer的模型采用了各种自注意机制来发现长程依赖关系。 然而，复杂的长期未来时间模式阻碍了模型找到可靠的依赖关系。此外，Transformers必须采用稀疏版本的点对点自注意力以提高长序列的效率，导致信息利用瓶颈。超越Transformers，作者设计了Autoformer作为一种具有自动相关性机制的新颖分解架构。作者打破了序列分解的预处理传统，并将其改造为深度模型的基本内部块。 该设计使Autoformer具有复杂时间序列的渐进分解能力。此外，受随机过程理论启发，作者基于系列周期性设计了基于Auto-Correlation机制，该机制在子序列级别进行依赖关系的发现和表示聚合。Auto-Correlation在效率和准确性方面均优于自注意力。在长期预测中，Autoformer取得了最先进的准确性，对涵盖五个实际应用领域（能源、交通、经济、天气和疾病）的六项基准测试表现出了相对改进38％。
autoformer的总体架构如下：
该文提出的用于时间序列分析的attention机制如下：
该文提出的attention机制和其他attention机制的区别如下图所示：
该文源代码、数据和其他材料已在https://github.com/thuml/Autoformer.上提供，感兴趣的读者可以关注。
更多链接
内容：袁知秋、程湘婷、王图图
诚邀您加入我们的gStore社区，我们将在群内解决使用问题，分享最新成果~
请在微信公众号图谱学苑发送“社区”入群~
微信社区群：请回复“社区”获取
