将 SVGD 应用于贝叶斯神经网络以进行周期性时间序列预测与推断
机器学习
2019-01-18 v1 机器学习
摘要
提出了一种基于回归的 BNN 模型，用于预测如每小时乘客需求等时空量并给出校准的不确定性。本文的主要贡献为：(i) 一种前馈确定性神经网络（DetNN）架构，可预测周期性时间序列数据并对异常预测事件敏感；(ii) 一种应用 SVGD 训练大型神经网络完成此类任务的贝叶斯框架，能够产生时间序列预测及围绕预测的不确定性度量。实验表明，所提出的 BNN 在 8 个美国城市中将平均估计误差相较于精细调优的多层感知机（MLP）降低了 10%，且比未使用 SVGD 训练的相同网络架构好 4%。
引用
@article{arxiv.1901.05906,
title = {Applying SVGD to Bayesian Neural Networks for Cyclical Time-Series Prediction and Inference},
author = {Xinyu Hu and Paul Szerlip and Theofanis Karaletsos and Rohit Singh},
journal= {arXiv preprint arXiv:1901.05906},
year = {2019}
}
备注
Third workshop on Bayesian Deep Learning (NeurIPS 2018)