学习因果生成的平稳时间序列
机器学习
2018-02-23 v1
摘要
我们提出因果高斯过程卷积模型（CGPCM），一种用于因果、谱复杂动力学现象的双重非参数模型。CGPCM 是一种生成模型，其中白噪声通过一个因果的、非参数窗滑动平均滤波器，我们证明这一构造等价于一个具有偏向因果生成信号的非参数核的高斯过程。我们为 CGPCM 及其先前的非因果变体 GPCM（Tobar 等，2015b）开发了增强的变分推断与学习方案，显著提高了统计精度。这些建模与推断上的贡献在一系列合成与真实世界信号上得到了展示。
引用
@article{arxiv.1802.08167,
title = {Learning Causally-Generated Stationary Time Series},
author = {Wessel Bruinsma and Richard E. Turner},
journal= {arXiv preprint arXiv:1802.08167},
year = {2018}
}
备注
13 pages, 7 figures, 2 tables, includes appendices