解释性贝叶斯循环神经平滑器：捕捉全局状态演化相关性
信号处理
2024-06-18 v1
摘要
通过整合全局状态在双向递归中的演化相关性，提出了一种用于离线数据辅助的固定区间状态平滑的解释性贝叶斯循环神经平滑器（EBRNS）。首先，该模型包含演化区间内的全局状态，被转换为等效的双向记忆模型。该转换将关键的全局状态信息纳入支持双向递归计算的框架中。对于转换后的模型，引入双向记忆迭代机制和离线数据，推导了联合状态-记忆-趋势贝叶斯滤波与平滑框架。所得框架采用高斯近似实现，以确保解析性质和计算效率。最后，设计了EBRNS中的神经网络模块及其两阶段训练方案。与大多数现有方法人为组合深度学习与模型基估计不同，EBRNS的双向递归与内部门控结构自然地源自贝叶斯估计理论，可解释地整合了先验模型知识、在线测量和离线数据。代表性真实数据集上的实验表明，EBRNS在保持数据效率和轻量参数规模的同时，实现了高水平的平滑精度。
引用
@article{arxiv.2406.11163,
title = {Explainable Bayesian Recurrent Neural Smoother to Capture Global State Evolutionary Correlations},
author = {Shi Yan and Yan Liang and Huayu Zhang and Le Zheng and Difan Zou and Binglu Wang},
journal= {arXiv preprint arXiv:2406.11163},
year = {2024}
}