基于神经随机微分方程-循环神经网络的不确定性量化通用框架
机器学习
2023-06-05 v1
摘要
不确定性量化是深度学习中的一个关键但尚未解决的挑战，尤其对于具有不规则采样测量的时间序列填补而言。为应对该问题，我们提出了一种基于循环神经网络与神经随机微分方程原理的新颖框架，用于协调不规则采样测量。我们在任意时间尺度上填补测量值，并以原则性方式量化填补结果中的不确定性。具体而言，我们推导了用于量化和传播跨时间点的认知不确定性与偶然不确定性解析表达式。我们在 IEEE 37 总线测试配电系统上的实验表明，我们的框架在时间序列数据填补的不确定性量化方面优于最先进的方法。
引用
@article{arxiv.2306.01189,
title = {A General Framework for Uncertainty Quantification via Neural SDE-RNN},
author = {Shweta Dahale and Sai Munikoti and Balasubramaniam Natarajan},
journal= {arXiv preprint arXiv:2306.01189},
year = {2023}
}
备注
7 pages, 3 figures