热点事件持续更新
提出双流OSSE-LSTM与反事实归因的少标签时间序列分类
1 篇报道1 个报道来源16 小时前 更新
先了解这件事
AI 综述
2026年10月5日，arXiv（Artificial Intelligence，一手来源）报道提出 Dual-Stream OSSE-LSTM，用于大规模少标签时间序列分类。该框架属于 episodic metric-learning，将 Omni-Scale CNN 与 Squeeze-and-Excitation 重校准和双向 LSTM 融合，形成 prototype-oriented embedding。报道还提及反事实归因，但未给出其具体方法或实验细节。目前未见后续验证、代码或数据集信息。
AI 根据报道生成 · 16 小时前更新
最新进展10月5日 12:00
arXiv报道提出双流OSSE-LSTM框架，融合Omni-Scale CNN、SE重校准与双向LSTM。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Artificial Intelligence双流 OSSE-LSTM 与反事实归因实现大规模少标签时间序列分类
论文提出 Dual-Stream OSSE-LSTM，一种 episodic metric-learning 框架，将 Omni-Scale CNN 与 Squeeze-and-Excitation 重校准和双向 LSTM 融合为 prototype-oriented embedding。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 12:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。