面向异步时间序列的自回归卷积神经网络
机器学习
2018-06-13 v4
摘要
我们提出了一种名为显著性偏移卷积神经网络（Significance-Offset Convolutional Neural Network）的深度卷积网络架构，用于多元异步时间序列的回归。该模型受标准自回归（AR）模型和循环神经网络中使用的门控机制启发。它包含一个类似自回归的加权系统，其中最终预测器由调整后的回归变量的加权和得到，而权重是通过卷积网络学习到的数据依赖函数。该架构专为异步时间序列的应用而设计，并在以下数据集上进行了评估：一个包含超过200万条信用衍生品指数报价的对冲基金专有数据集、一个人工生成的含噪自回归序列以及UCI家庭用电数据集。与卷积神经网络和循环神经网络相比，所提出的架构取得了令人鼓舞的结果。
引用
@article{arxiv.1703.04122,
title = {Autoregressive Convolutional Neural Networks for Asynchronous Time Series},
author = {Mikołaj Bińkowski and Gautier Marti and Philippe Donnat},
journal= {arXiv preprint arXiv:1703.04122},
year = {2018}
}
备注
Proceedings of The 35th International Conference on Machine Learning (ICML), Stockholm, Sweden, 2018, to appear