略带自适应递归迭代的通用变换器霍克斯过程

异步事件多肽尤其分布区在自然界和全人类文艺活动里面，如黎克详细描述、互动电子媒体里面的软件文艺活动等。如何从这些看似截然不同的原始数据里面提炼出信息是研究人员一直注意的话题。其里面最感兴趣的仿真是点每一次仿真，在此基础上，研究人员夺得了许多相对来说的研究成果。此外，近十年还提出了以神经网络蓝本的点每一次仿真，特别是可逆神经网络（RNN），与传统仿真相比，其性能受益了很大的提高。在转变成支架仿真的深刻影响下，转变成支架Hawkes每一次被提出来，它可以在没有表达式和频域内部结构的意味着有效地学习多肽原始数据，并夺得了最技术的性能。然而，有一些研究确实，在变换支架里面重新替换成表达式计算可以进一步提高变换支架的性能。因此，我们提出了一种取而代之电路Hawkes每一次仿真，即区别于电路Hawkes每一次（UTHP），它同时值得注意了表达式有助于和自注意有助于，为了提高仿真的局部感知能力，我们还在位置-明智-前馈部份替换成了频域神经网络（CNN）。我们在几个原始数据集上完成了试验中，以验证UTHP的实证，并冒险替换成表达式有助于后的变化。这些在多个原始数据集上的试验中确实，与以前的最技术的仿真相比，我们提出的新仿真的性能有一定的提高。

《Universal Transformer Hawkes Process with Adaptive Recursive Iteration》

论文地址: