从聚合数据学习深度隐非线性动力学
机器学习
2018-07-31 v2 人工智能
机器学习
摘要
从扩散数据学习非线性动力学是一个具有挑战性的问题，因为在不同时间点观察到的个体可能不同，通常遵循聚合行为。现有工作不能很好地处理这些任务，因为它们要么直接在观测上建模此类动力学，要么要求提供完整的纵向个体级轨迹。然而，在大多数实际应用中，这些要求是不现实的：演化动力学可能过于复杂而无法直接在观测上建模，并且由于技术限制、实验成本和/或隐私问题，个体级轨迹可能不可用。为应对这些挑战，我们通过引入隐变量将扩散动力学建模为{\em 隐随机过程}以获得灵活性，并直接在{\em 聚合观测}上学习隐动力学，而无需任何个体级轨迹的要求。我们提出了一个带Wasserstein距离的动态生成模型用于学习深度隐非线性动力学（LEGEND），并证明了其理论保证。在一系列合成与真实世界数据集上的实验表明，与最先进的基线相比，LEGEND具有非常强的性能。
引用
@article{arxiv.1807.08237,
title = {Learning Deep Hidden Nonlinear Dynamics from Aggregate Data},
author = {Yisen Wang and Bo Dai and Lingkai Kong and Sarah Monazam Erfani and James Bailey and Hongyuan Zha},
journal= {arXiv preprint arXiv:1807.08237},
year = {2018}
}
备注
In Proceedings of the Conference on Uncertainty in Artificial Intelligence (UAI), 2018