神经控制微分方程中的可学习路径
机器学习
2023-01-12 v1 人工智能
摘要
神经控制微分方程（NCDEs）是循环神经网络（RNNs）的连续类比，是（不规则）时间序列处理中的专用模型。与类似模型（如神经常微分方程（NODEs））相比，NCDEs 的关键区别特征为 i) 采用由插值算法从每个原始离散时间序列样本创建的连续路径，以及 ii) 采用 Riemann--Stieltjes 积分。正是该连续路径使 NCDEs 成为连续 RNNs 的类比。然而，NCDEs 使用现有插值算法创建路径，尚不清楚其能否创建最优路径。为此，我们提出一种生成另一潜路径（而非依赖现有插值算法）的方法，其等同于学习一种恰当的插值方法。我们设计了一个基于 NCDEs 与 NODEs 的编码器-解码器模块，及其专用训练方法。我们的方法在时间序列分类与预测中均展现出最佳性能。
引用
@article{arxiv.2301.04333,
title = {Learnable Path in Neural Controlled Differential Equations},
author = {Sheo Yon Jhin and Minju Jo and Seungji Kook and Noseong Park and Sungpil Woo and Sunhwan Lim},
journal= {arXiv preprint arXiv:2301.04333},
year = {2023}
}
备注
Accepted by AAAI 2023