使用受限玻尔兹曼机模型从多变量离散序列数据中学习
机器学习
2018-05-01 v1 机器学习
摘要
受限玻尔兹曼机（RBM）是一种生成式神经网络模型，具有许多新颖的应用，如协同过滤和声学建模。RBM 缺乏保留记忆的能力，使其不适合用于时间序列分析等动态数据建模。在本文中，我们通过提出 p-RBM 模型来解决这一问题，该模型是常规 RBM 模型的推广，能够保留过去 p 个状态的记忆。我们进一步展示了如何使用对比散度训练 p-RBM 模型，并在考虑 NASDAQ-100 指数 100 只股票的股市方向预测问题上测试了我们的模型。获得的结果表明，p-RBM 具有良好的预测潜力。
引用
@article{arxiv.1804.10839,
title = {Learning from multivariate discrete sequential data using a restricted Boltzmann machine model},
author = {Jefferson Hernandez and Andres G. Abad},
journal= {arXiv preprint arXiv:1804.10839},
year = {2018}
}
备注
6 pages, 3 figures, Accepted as conference paper in IEEE-COLCACI 2018