论文阅读【时间序列】ModerTCN (ICLR2024)
【时间序列】ModerTCN (ICLR2024)
原文链接：ModernTCN: A Modern Pure Convolution Structure for General Time Series Analysis
代码仓库：ModerTCN
简易版本实现代码可以参考：（2024 ICLR）ModernTCN：A Modern Pure Convolution Structure for General Time Series Analysis
本文提出ModerTCN模块，以平衡时间序列任务中的效率与效果。
背景
Transformer Block
self-attention 模块：
其中Q，K，V来自与输入x与可学习参数的乘积。
FFN模块：通常为若干线性层和激活函数的组合
Modern Convolution Block
Modern Convolution Block是Depthwise convolution和Pointwise convolution的结合，这两种卷积模块是的讲解详情见【轻量化网络系列（1）】MobileNetV1论文超详细解读（翻译 ＋学习笔记+代码实现）。
传统卷积模块的卷积核是D * D * M的，其中M是通道数量，卷积后的结果也是一个由M个通道组成的三维特征方阵。
Depthwise卷积是将卷积核缩减到D * D * 1，每个卷积核只用于一个通道的特征提取，得到一个二维的特征方阵。而M个通道分别用不同的卷积核进行卷积，最终由M个通道分别卷积，再将M个通道整合在一起。
Pointwise卷积则是对不同通道的整合，即使用1 * 1 * M的卷积核，将M个通道的融合起来。
ModernTCN
M: 变量数, L: 序列长度
模型主要结构包含一个DWConv核两个ConvFFN，其中每个ConvFFN由两个PWConv组成。
官方仓库中的代码不利于理解，简易版本实现代码可以参考：（2024 ICLR）ModernTCN：A Modern Pure Convolution Structure for General Time Series Analysis
DWConv主要任务是混合时域信息，即对N这一维度进行卷积。
两个ConvFFN分别是对M和D维度进行卷积，先后混合通道和维度信息。
至此，通过若干CNN层，完成全部信息融合与交互。
