面向非均匀采样时间序列的隐变量常微分方程模型
机器学习
2019-07-10 v1 机器学习
摘要
具有非均匀间隔的时间序列出现在许多应用中，并且难以使用标准循环神经网络（RNNs）进行建模。我们将 RNNs 推广为具有由常微分方程（ODEs）定义的连续时间隐藏动力学，我们将此模型称为 ODE-RNNs。此外，我们使用 ODE-RNNs 替换最近提出的 Latent ODE 模型的识别网络。ODE-RNNs 和 Latent ODEs 都可以自然地处理观测之间的任意时间间隔，并且可以使用泊松过程显式地对观测时间的概率进行建模。我们通过实验表明，这些基于 ODE 的模型在不规则采样数据上优于其基于 RNN 的对应模型。
引用
@article{arxiv.1907.03907,
title = {Latent ODEs for Irregularly-Sampled Time Series},
author = {Yulia Rubanova and Ricky T. Q. Chen and David Duvenaud},
journal= {arXiv preprint arXiv:1907.03907},
year = {2019}
}