改进潜在神经随机微分方程噪声估计
机器学习
2025-06-11 v2 机器学习
摘要
潜在神经随机微分方程（Latent Neural SDEs）最近作为从随机时间序列数据中学习生成模型的有前景的方法而涌现。然而，它们系统性地低估了此类数据中固有的噪声水平，限制了其准确捕捉随机动力学的能力。我们详细研究了这种低估现象，并提出一种 straightforward 的解决方案：通过在损失函数中包含显式的额外噪声正则化，我们能够学习到准确捕捉数据扩散成分的模型。我们在一个概念模型系统上展示了结果，突出了改进后的潜在神经 SDE 建模随机双稳态动力学能力的提升。
引用
@article{arxiv.2412.17499,
title = {Improving the Noise Estimation of Latent Neural Stochastic Differential Equations},
author = {Linus Heck and Maximilian Gelbrecht and Michael T. Schaub and Niklas Boers},
journal= {arXiv preprint arXiv:2412.17499},
year = {2025}
}
备注
Accepted for publication in Chaos: An Interdisciplinary Journal of Nonlinear Science