《表2 不同学习模块的m AFS在EEG数据集上准确率比较（单位：%）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多注意力的多变量时间序列特征选择方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

4个UCI时序数据集的实验结果如图4所示，该结果仅适用于m AFS全连接网络作为学习模块（记作m AFS-fc）。在3个回归任务中，全连接网络学习器已经在所有对比方法中实现了最低的MAE误差，尤其是对比Gui和Roy方法有显著提升。m AFS在EEG数据集上表现不佳，但其结果并不是本结构所能达到的最佳结果。通过更换性能更强的学习模块，即卷积网络和循环神经网络后，特征选择效果有了巨大提升。具体实验结果如表2所示，在EEG数据集上使用卷积网络作为学习模块（记作m AFS-conv）的m AFS结构比m AFS-fc提升了22%的分类准确率，并实现了远高于其它所有对比方法的准确率。