计算机
在CV（
计算机视觉）和NLP（自然语言处理）领域，数据量通常非常庞大，而时间序列的数据量相比之下则显得较为有限。深度神经网络的设计本质上是在variance-bias权衡中偏向于variance的一端，通过最大化模型容量来适应复杂的任务需求，并依赖海量数据对variance进行有效控制。这种方法非常适合CV和NLP场景，因为这些领域的数据分布复杂且高度非线性相关，几乎无法通过简单的先验知识进行建模。然而，时间序列的维度通常较低，可能只有几十、几百甚至上千个特征。相比之下，一张普通图片的分辨率就可能达到1024×1024×3，相当于整个时间序列数据集的规模。如果直接将大容量的深度神经网络应用于时间序列，由于数据量不足，模型很容易过拟合，难以有效压制variance。幸运的是，时间序列的数据分布往往相对简单，通过引入一些合理的假设，可以让模型向bias一侧倾斜，从而避免因过度偏差而导致性能崩溃。当然，当时间序列变得足够复杂时，深度神经网络仍然可以发挥其优势。例如，视频数据实际上可以被视为广义上的时间序列，它同时具备高维度和大数据量的特点，因此深度学习方法在这种情况下同样能够取得很好的效果。
