多元序列学习的本质是如何提取数据中的相关性。这些数据集，如重症监护病房的每小时医疗记录和多频语音时间序列，通常不仅在个别成分中表现出强烈的序列依赖性(“边缘”记忆)，而且在横剖面依赖性中也表现出不可忽略的记忆(“联合”记忆)。由于联合分布演化的多元复杂性是数据生成过程的基础，我们采用数据驱动的方法，构建了一种新的循环网络结构，称为记忆门控循环网络(mGRN)，门显式地调节两种不同类型的记忆:边缘记忆和联合记忆。通过对一系列公共数据集的综合模拟研究和经验实验的结合，我们表明我们提出的mGRN架构始终优于针对多元时间序列的最先进架构。

https://www.zhuanzhi.ai/paper/4236df35ff33a6911c4913ac13bb78e0