摘要多步（尺度）预测通常包含一个复杂的输入组合——包括静态（即时不变）协变量、已知的未来输入，以及其他仅在过去观察到的外生时间序列——没有任何关于它们如何与目标相互作用的先验信息。几种深度学习方法已经被提出，但它们通常是“黑盒”模型，并不能阐明它们如何使用实际场景中出现的全部输入。在本文中，我们介绍了时间融合变压器(TFT)——一种新的基于注意的架构，它结合了高性能的多步预测和对时间动态的可解释的洞察力。为了学习不同尺度上的时间关系，TFT使用循环层进行局部处理，并使用可解释的自我注意层进行长期依赖。TFT利用专门的组件来选择相关的特性和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现

翻译文章：Learningtheproteinlanguage:Evolution,structure,andfunction*注：加粗地方为个人研究所需，翻译提供阅读指导帮助，具体细节请查看原文BeplerT,BergerB.Learningtheproteinlanguage:Evolution,structure,andfunction[J].Cellsystems,2021,12(6):654-669.e3.InbriefBepler和Berger讨论了蛋白质语言建模及其在下游蛋白质性质预测问题上的应用的最新进展。他们考虑如何利用先前的生物知识来丰富这些模型，并引入一种方法，将蛋白质结

翻译文章：Learningtheproteinlanguage:Evolution,structure,andfunction*注：加粗地方为个人研究所需，翻译提供阅读指导帮助，具体细节请查看原文BeplerT,BergerB.Learningtheproteinlanguage:Evolution,structure,andfunction[J].Cellsystems,2021,12(6):654-669.e3.InbriefBepler和Berger讨论了蛋白质语言建模及其在下游蛋白质性质预测问题上的应用的最新进展。他们考虑如何利用先前的生物知识来丰富这些模型，并引入一种方法，将蛋白质结