特定任务的数据集特定领域或类型。

1 DataArray介绍xarray.DataArray是一个使用标签的多维数组1.1 DataArray 的关键数组values保存数组值的numpy.ndarraydims每个坐标轴的维度名称 (例如， (‘x’, ‘y’, ‘z’))coords一个包含数组坐标的类似字典的容器，用来标记每个点（例如，数字，日期时间对象或字符串的一维数组）attrs存放任意元数据（属性）的字典xarray使

本文介绍了一种新模型来学习与旋转、平移、反射和排列等变的图神经网络，称为 E(n)-等变图神经网络 (EGNN)。与现有方法相比，EGNN不需要在中间层中计算昂贵的高阶表示，同时仍能获得有竞争力或更好的性能。 此外，虽然现有方法仅限于 3 维空间的等变性，但EGNN很容易扩展到更高维空间。尽管深度学习在很大程度上取代了手工制作的特征，但许多进步严重依赖于深度神经网络中的归纳偏差。（inductiv

一种JSON格式的Feature信息输出格式，它便于被JavaScript等脚本语言处理3。

ICLR 2024 reviewer 评分 6888【但是chair 很不喜欢】

ACL 2023。

那么效果也更好（每个patch=里面的内容更精细，那么不同像素之间的attention关系更准确）【当然这样的话虽然效果更好了，sequence length 更长，导致计算复杂度也上升了】patch 越小，sequence length 越长，每个patch里面的内容更精细，不同像素之间的attention关系更准确，分割效果更好【计算复杂度越高】这是实验了0个（全没有） 、1个（只链接最中间，

iclr 2024 spotlightreviewer 评分 6668。

可以看到Linear/DLinear/NLinear效果比Transformer的好。逐渐将Informer中的组成部分替换成Linear，发现性能随着逐步简化，而不断提高。可以看到有些基于Transformer的模型在回望窗口增大时性能会恶化或保持不变。相比之下，所有LTSF Linear的性能都随着输入窗口大小的增加而显著提高。直接将N*T的输入序列，通过一个线性层，输出到N*T'的输出序列。

随着序列分解单元的数量增加，模型的学到的趋势项会越来越接近数据真实结果，周期项可以更好的捕捉序列变化情况，这验证了渐进式分解的作用。对于周期项，使用自相关机制，基于序列的周期性质来进行依赖挖掘，并聚合具有相似过程的子序列；通过对比可以发现，Autoformer中自相关机制可以正确发掘出每个周期中的下降过程，并且。对于趋势项，使用累积的方式，逐步从预测的隐变量中提取出趋势信息。根据Wiener–Kh