使用带有对数签名特征的RNN学习随机微分方程
机器学习
2019-09-24 v2 机器学习
摘要
本文通过评估，对在流式多模态数据上学习函数这一挑战做出了贡献。我们论文结果的核心在于结合了两种截然不同的方法来解决此问题。一种源于数学上严谨的签名和对数签名技术，作为流式数据的表示；另一种则借鉴了循环神经网络（RNN）的技术。前者管理高采样率数据流的能力与后者处理大规模非线性交互的能力相结合，催生了易于编码、训练更快且在给定精度下复杂度更低的混合算法。我们通过将未知泛函近似为一个受控微分方程来阐述该方法。受控微分方程解的线性泛函是数据流上函数的自然通用类。遵循此方法，我们提出了一种混合Logsig-RNN算法，用于学习流式数据上的泛函。通过在多个数据集上进行测试，即合成数据、NTU RGB+D 120骨骼动作数据和Chalearn2013手势数据，我们的算法以卓越的效率和鲁棒性实现了出色的准确率。
引用
@article{arxiv.1908.08286,
title = {Learning stochastic differential equations using RNN with log signature features},
author = {Shujian Liao and Terry Lyons and Weixin Yang and Hao Ni},
journal= {arXiv preprint arXiv:1908.08286},
year = {2019}
}