我有一个时间序列的数据，我将其映射到一个非排他性二进制特征的时间序列（在我的例子中，短时音频频谱图到音频的特征）。我将把这些类在一段时间内大致保持不变的集合称为“事件”。

例如，我的音频流可能包含单词“leave”，所以我的时间序列类可能包含

l-sound   00000000000011111111100000000000000000000000000000000000000000000
vowel     00000000000000000000011111111111111111110000000000000000000000000
fricative 00000000000000000000000000000000000000011111111111000000000000000
high      00000000000000000001111111111111111111000000000000000000000000000
noise     00011111010000000000000000000000000000000000000111111100000000000

这对应于 - 考虑到事件之间的转换可能是嘈杂的 - 事件序列

l-sound   00010000
vowel     00001000
fricative 00000100
high      00001000
noise     01000010

所有这些特征都是二元的而不是互斥的，并且每个（实现的）特征组合都对应一个标签，所以如果#恰好代表特征集{noise}、ifor{high, vowel}和ʎfor{l-sound, high}等，则该事件序列的列可能被给出为字符串_#_liv#_。

在这种压缩的、以事件为中心的字符串格式中，我拥有更多的目标数据，比我拥有的二进制特征向量的时间序列要多得多。因为从事件序列到时间序列的映射只是数据的有点嘈杂的拉伸，即使每个事件都有特征长度，我的直觉表明应该有一种更好、更确定的方式来使用这些数据，而不是seq2seq学习它内部结构。

• 我试图建立一个单独的计算图，将一组长度映射到 sigmoid 函数的差异，以获得近似区间特征函数（0011110000等）的可微函数，希望优化器能够将边界移向实际范围。它看起来并不乐观。

鉴于我的模型目前生成时间序列数据，但我有很多事件序列数据，我怎样才能最好地使用我的事件序列数据来训练模型？