潜在要素：深度状态空间模型的学习
机器学习
2026-02-27 v1
摘要
深度状态空间模型（DSSM）通过学习观测序列数据的底层动力学来实现时序预测。它们通常通过最大化证据下界来训练。然而，正如我们所展示的，这并不确保模型实际学习到底层动力学。因此，我们提出了一个受约束的优化框架作为训练DSSM的通用方法。基于此，我们引入了扩展卡尔曼变分自编码器（EKVAE），将 amortised 变分推断与经典贝叶斯滤波/平滑相结合，以比基于RNN的DSSM更准确地建模动力学。我们的结果表明，受约束的优化框架在已建立的SOTA DSSM示例中显著改善了系统辨识和预测精度。EKVAE在预测精度方面超越了以往模型，在识别动力学系统方面取得了显著成果，并且还能成功学习到静态特征与动态特征解耦的状态空间表示。
引用
@article{arxiv.2602.23050,
title = {Latent Matters: Learning Deep State-Space Models},
author = {Alexej Klushyn and Richard Kurle and Maximilian Soelch and Botond Cseke and Patrick van der Smagt},
journal= {arXiv preprint arXiv:2602.23050},
year = {2026}
}
备注
Published at NeurIPS 2021