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
医学培养+知识图谱
RAG 系统综合指南白皮书
近日由Galileo发布的题为“构建企业级 RAG 系统的综合指南”的白皮书，该书系统介绍了企业级RAG的相关技术及应用。全书分为7章节，介绍了大语言模型与RAG系统，具体内容包括如何通过RAG减少大语言模型幻觉，如何使用高级分块技术，如何选择嵌入和重新排序模型以及如何选择向量量数据库等。
https://www.galileo.ai/mastering-rag
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ICML 2022上的论文：ICML - 2022 - FEDformer Frequency Enhanced Decomposed Transformer for Long-term Series Forecastin，该文提出了一种频率增强分解Transformer（FEDformer）方法，结合了Transformer和季节-趋势分解方法，用于改进长期时间序列预测性能，并在六个基准数据集上取得了显著效果。作者来自电子科技大学，电子科技大学，电子科技大学和电子科技大学。
作者提出将Transformer与季节性趋势分解方法相结合，以解决长序列建模中的高计算复杂性和内存需求问题。该文介绍了季节性趋势分解方法捕捉时间序列的全局特征，而Transformer则捕捉更详细的结构。为了进一步提高Transformer在长期预测中的性能，作者利用大多数时间序列往往在傅里叶变换等基本上具有稀疏表示的事实，并开发了一个频率增强的Transformer。提出的方法，名为Frequency Enhanced Decomposed Transformer（FEDformer），不仅更有效，而且比标准Transformer具有更高的效率，并且具有与序列长度线性复杂度。我们对六个基准数据集进行的实证研究表明，与最先进的方法相比，FEDformer可以将多变量和单变量时间序列的预测误差分别减少14.8%和22.6%。源代码可在https://github.com/MAZiqing/FEDformer 公开获取。
FEDFormer的总体架构如下图所示：
其中两个子模块的架构如下图所示：
它们基于小波分析的版本如下图所示：
该文源代码、数据和其他材料已在https://github.com/MAZiqing/FEDformer.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、胡喆媛、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
