面向不规则时间序列 ODE 的改进批处理策略
机器学习
2022-07-13 v1
摘要
不规则时间序列数据在现实世界中十分普遍，且难以用简单循环神经网络（RNN）建模。因此，有学者提出结合常微分方程（ODE）与 RNN 的模型（ODE-RNN）以更高精度建模不规则时间序列，但其计算代价高昂。本文中，我们提出一种通过采用不同高效批处理策略来改进 ODE-RNN 运行时间的方法。实验表明，新模型在保持相当精度的同时，将 ODE-RNN 的运行时间显著降低了 2 至 49 倍（取决于数据的不规则程度）。因此，我们的模型在建模更大型不规则数据集时可良好扩展。
引用
@article{arxiv.2207.05708,
title = {Improved Batching Strategy For Irregular Time-Series ODE},
author = {Ting Fung Lam and Yony Bresler and Ahmed Khorshid and Nathan Perlmutter},
journal= {arXiv preprint arXiv:2207.05708},
year = {2022}
}
备注
10 pages, 3 figures