连续状态空间Feynman-Kac模型的摊销控制用于不规则时间序列
机器学习
2025-03-03 v3 机器学习
摘要
许多真实世界的数据集，例如医疗、气候和经济领域的数据，通常以不规则时间序列的形式收集，这给精确建模带来了挑战。在本文中，我们提出了连续状态空间模型的摊销控制（ACSSM），用于对具有不规则和离散观测的时间序列进行连续动态建模。我们首先提出了一个多边际Doob -变换，以构建一个以这些不规则观测为条件的连续动力系统。随后，我们引入了一种具有紧证据下界（ELBO）的变分推理算法，利用随机最优控制（SOC）理论来近似难以处理的Doob -变换并模拟条件动力学。为了提高训练和推理过程中的效率和可扩展性，ACSSM利用辅助变量灵活地参数化潜在动力学和摊销控制。此外，它整合了一个免模拟的潜在动力学框架和一个基于Transformer的数据同化方案，促进了潜在状态的并行推理和ELBO计算。通过在各种真实世界数据集上的实证评估，ACSSM在分类、回归、插值和外推等任务中展示了优越的性能，同时保持了计算效率。
引用
@article{arxiv.2410.05602,
title = {Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series},
author = {Byoungwoo Park and Hyungi Lee and Juho Lee},
journal= {arXiv preprint arXiv:2410.05602},
year = {2025}
}