核校正 LSTM
机器学习
2024-04-30 v1
摘要
预测方法以两种方式受数据质量问题的影响：1.它们难以预测，2.它们可能在模型用新数据更新时产生负面影响。通常通过预处理数据以消除这些问题来解决后者。一种替代方法最近被提出，称为 Corrector LSTM（cLSTM），它是一种读写机器学习（RW-ML）算法，通过改变数据来改善预测。尽管已报告了令人期待的结果，但 cLSTM 计算昂贵，因为它使用一个元学习器来监控 LSTM 的隐藏状态。我们提出了一种新的 RW-ML 算法，Kernel Corrector LSTM（KcLSTM），将 cLSTM 的元学习器替换为更简单的方法：核平滑（Kernel Smoothing）。我们经验性地评估了新算法的预测准确性和训练时间，并将其与 cLSTM 和 LSTM 进行比较。结果表明，它能够在保持具竞争力的预测准确性的同时，降低训练时间。
关键词
引用
@article{arxiv.2404.18273,
title = {Kernel Corrector LSTM},
author = {Rodrigo Tuna and Yassine Baghoussi and Carlos Soares and João Mendes-Moreira},
journal= {arXiv preprint arXiv:2404.18273},
year = {2024}
}
备注
12 pages, 4 figures, IDA 2024