基于卷积的转换器：一种弱先验方法，用于条件密度估计中的随机过程建模
机器学习
2025-04-04 v2 人工智能
摘要
本文提出一种称为卷积转换器（CBC）的方法，用于开发去除随机过程估计中强或固定先验的假设的 methodology。传统方法，如基于马尔可夫模型和基于高斯过程的方法，通常依赖于观察数据来估计目标，基于强或固定的先验（如马尔可夫性质或高斯先验）。然而，这些方法的有效性取决于其先验假设是否与问题特征相吻合。当假设的先验不满足时，这些方法可能表现不佳甚至无法使用。为克服上述限制，我们引入卷积转换器（CBC），其在没有强或固定先验的情况下，隐式地估计目标的条件概率分布，并直接输出满足观察约束的随机过程预期轨迹。该方法减少了对先验的依赖，增强了在解决不同问题时对随机过程建模的灵活性和适应性。实验结果表明，我们的方法在多个指标上均优于现有基线方法。
引用
@article{arxiv.2502.06829,
title = {Convolution-Based Converter : A Weak-Prior Approach For Modeling Stochastic Processes Based On Conditional Density Estimation},
author = {Chaoran Pang and Lin Wang and Shuangrong Liu and Shikun Tian and WenHao Yue and Xingshen Zhang and Bo Yang},
journal= {arXiv preprint arXiv:2502.06829},
year = {2025}
}