面向高维时间序列数据分析的深度直接判别解码器
机器学习
2023-07-04 v2 机器学习
摘要
状态空间模型（SSM）被广泛用于时间序列数据分析。SSM 依赖于对状态与观测过程的显式定义。对这些过程的刻画并非总是容易，且当观测数据维度增长或观测数据分布偏离正态分布时，会成为建模挑战。在此，我们针对高维观测过程提出一种新的 SSM 表述。我们称该解为深度直接判别解码器（D4）。D4 将深度神经网络的表达力与可扩展性引入 SSM 表述，使我们能够构建一种新颖方案，通过高维观测信号高效估计潜在状态过程。我们在模拟与真实数据（如 Lorenz 吸引子、Langevin 动力学、随机游走动力学以及大鼠海马尖峰神经数据）上展示了 D4 方案，并表明 D4 优于传统 SSM 与 RNN。D4 可应用于更广泛类别的时间序列数据，其中高维观测与潜在过程间的联系难以刻画。
引用
@article{arxiv.2205.10947,
title = {Deep Direct Discriminative Decoders for High-dimensional Time-series Data Analysis},
author = {Mohammad R. Rezaei and Milos R. Popovic and Milad Lankarany and Ali Yousefi},
journal= {arXiv preprint arXiv:2205.10947},
year = {2023}
}