液体神经网络与LSTM用于顺序模式识别的比较研究：鲁棒性、效率与临床效用
机器学习
2026-05-28 v1 人工智能
计算机视觉与模式识别
摘要
传统递归神经网络(RNN)和长短期记忆(LSTM)单元在离散时间步上运行，往往无法捕捉真实世界物理过程中流体时序动力学。液体神经网络(LNN)，具体而言是闭形式连续时间(CfC)网络，通过将隐藏状态演化建模为连续微分方程来解决这一问题。本文进行了全面的基准测试，涵盖四种不同的顺序模态：神经形态事件基于数据(N-MNIST)、基于笔画的绘图(QuickDraw)、手写体图像(IAM)以及生理时间序列(PhysioNet Sepsis-3)。此外，我们对模型进行严格的压力测试，使用时间dropout评估模型对缺失数据的鲁棒性。我们的发现表明，LNN在参数效率和在本征时序域和临床环境中（数据稀疏性常见）的鲁棒性方面始终提供了优势。本篇扩展的预印本提供了关于相关数据集和LNN理论谱系的更多背景，并附有详细的附录，记录了完整的实现和实验设置。
引用
@article{arxiv.2605.27467,
title = {Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility},
author = {Ye Kyaw Thu and Thazin Myint Oo and Thepchai Supnithi},
journal= {arXiv preprint arXiv:2605.27467},
year = {2026}
}
备注
9 pages, 7 figures, 6 tables, The conference paper will appear in Proceedings of JCSSE 2026