面向非等间隔采样序列的三次样条平滑补偿
机器学习
2020-10-06 v1 机器学习
摘要
循环神经网络与神经常微分方程网络（ODE-RNN）的结合在建模非等间隔观测序列方面十分有效。虽然ODE在观测间隔之间产生平滑的隐状态，RNN会在新观测到达时引发隐状态跳变，从而造成插值不连续问题。为解决此问题，我们提出三次样条平滑补偿，它是置于ODE-RNN输出或隐状态之上的独立模块，并可端到端训练。我们推导了其解析解并给出了理论插值误差界。大量实验表明其相对于ODE-RNN与三次样条插值均具有优势。
引用
@article{arxiv.2010.01381,
title = {Cubic Spline Smoothing Compensation for Irregularly Sampled Sequences},
author = {Jing Shi and Jing Bi and Yingru Liu and Chenliang Xu},
journal= {arXiv preprint arXiv:2010.01381},
year = {2020}
}