基于高斯过程的深度因子预测方法
机器学习
2018-12-04 v1 机器学习
摘要
大量时间序列对经典与神经预测方法均构成重大挑战。经典时间序列模型难以良好拟合数据且无法扩展至大规模问题，但能提供不确定性估计。深度神经网络则相反。本文中，我们提出一种结合两种方法优势的混合型模型。我们的新方法通过潜全局深度分量实现数据驱动且可扩展，并通过局部经典高斯过程模型处理不确定性。实验表明，我们的方法取得了高于最先进方法的精度。
引用
@article{arxiv.1812.00098,
title = {Deep Factors with Gaussian Processes for Forecasting},
author = {Danielle C. Maddix and Yuyang Wang and Alex Smola},
journal= {arXiv preprint arXiv:1812.00098},
year = {2018}
}
备注
Third workshop on Bayesian Deep Learning (NeurIPS 2018), Montreal, Canada