期望签名学习：理论与应用
机器学习
2025-05-29 v1 机器学习
概率论
统计理论
统计理论
摘要
期望签名将一组数据流映射到一个低维表示，具有一个显著特性：得到的特征张量可以完全表征数据生成分布。这种“无模型”嵌入已被成功用于构建多个领域无关的时序和序列数据机器学习（ML）算法。本文证明的收敛结果弥合了期望签名的经验离散时间估计器与其理论连续时间值之间的差距，从而允许对基于期望签名的ML方法进行更完整的概率解释。此外，当数据生成过程是鞅时，我们建议对期望签名估计器进行简单修改，使其均方误差显著降低，并通过实验证明了如何有效应用该修改来提高预测性能。
引用
@article{arxiv.2505.20465,
title = {Learning with Expected Signatures: Theory and Applications},
author = {Lorenzo Lucchese and Mikko S. Pakkanen and Almut E. D. Veraart},
journal= {arXiv preprint arXiv:2505.20465},
year = {2025}
}