摘要：一.简介 深度学习、强化学习和深度强化学习是机器学习的三个重要子领域。它们有着各自独特的应用场景和研究目标，虽然都属于机器学习的范畴，但各自的实现方式和侧重点有所不同。 1.1 深度学习与强化学习 1.1.1深度学习 深度学习是一种基于神经网络的机器学习方法，通过多层网络结构（即深度网络）来自动从数 阅读全文

摘要：一.模型介绍 文章提出一种自动transformer NAS系统（automatic transformer NAS），命名为TNAS。所提出的基于TNAS的情绪识别是一个端到端系统，它可以从原始EEG信号中捕捉全局交互，以用于情绪分类任务。 TNAS首先构建一个覆盖设计空间中所有候选对象的超级网络 阅读全文

摘要：在Transformer的编码器中，多头自注意力机制（MSA）和多层感知器（MLP）的堆叠结构，能够有效地捕捉EEG数据中的长距离依赖关系和复杂的时空特征，这正是针对时间序列数据处理的关键优势。通过这种架构，模型可以在不同时间点的数据之间建立联系。 ViT模型设计用于处理二维数据，如图像。基础ViT 阅读全文

摘要：神经网络架构是指构成神经网络的层（Layers）、连接方式、激活函数和其它组件的组织结构。神经网络架构的设计对于模型的性能至关重要，因为它决定了模型如何学习和处理数据。以下是神经网络架构的一些关键组成部分： 层的类型：神经网络由不同类型的层组成，如输入层、隐藏层和输出层。隐藏层可以是执行特征提取的地 阅读全文

摘要：一.提出背景 Transformer最早是Google在2017年的Attention Is All You Need论文中提出，用于解决解决传统的序列到序列（Seq2Seq）模型在处理可变长序列时遇到的问题。（序列到序列：指的是模型的输入是一段序列，模型输出也是序列；比如语音识别中给模型一段中文语 阅读全文

摘要：一．原理 （为什么使用one-hot编码来处理离散型特征? 在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。而我们使用one-hot编码，将离散特征的取值扩展到了欧式空间， 阅读全文

摘要：一.维度情感模型 人类的情感是复杂繁琐的认知过程，很难对人类情感进行简单的概括，现阶段的情感模型大多分为两种，分别是离散情感模型和维度情感模型。 传统上，情感被看作是离散的类别，例如快乐、悲伤、愤怒等。离散情感模型将情感分为独立的类别，著名的心理学家Ekman等人总结了六种基本情绪：快乐、悲伤、愤怒 阅读全文