面向不规则和异步数据的可信嵌入：用于在线 Log-NCDE 的嵌入
机器学习
2026-05-29 v1
摘要
连续时间模型是处理不规则和异步数据的最自然选择。核心设计选择之一是如何将离散观测嵌入到连续时间中。基于插值或插值的嵌入方法通过重建连续观测路径来实现，从而使模型对重建选择方式敏感。我们表明，这一重建步骤是不必要的；在嵌入从数据到输入空间连续且单射的条件下，轻松的紧凑集合普适性从模型输入空间传递到数据空间。基于这一结果，并在神经受控微分方程（NCDEs）的直角控制路径基础上，我们引入了一个用于 Log-NCDE 的连续单射嵌入，这是一类通用的连续时间模型。我们的ethods通过记录观测的增量并在任意查询区间上对其进行组合，直接形成 log 签名。这提供了无需首先插值观测变量即可获得的区间级摘要，同时支持在线计算。在合成受控动力学和真实时间序列数据集上的实验表明，该表示方法在准确性、效率和对不规则、异步和稀疏观测的鲁棒性方面都表现优异。
引用
@article{arxiv.2605.30213,
title = {Faithful Embeddings of Irregular and Asynchronous Data for Online Log-NCDEs},
author = {Benjamin Walker and Alexandre Bloch and Lingyi Yang and Sam Morley and Terry Lyons},
journal= {arXiv preprint arXiv:2605.30213},
year = {2026}
}
备注
34 pages, 16 figures