具有变点的神经随机微分方程：一种生成对抗方法
机器学习
2024-01-23 v2 机器学习
摘要
随机微分方程（SDEs）已被广泛用于对现实世界的随机现象进行建模。现有工作主要集中于时间序列由单个 SDE 建模的情况，这对于对具有分布漂移的时间序列进行建模可能具有限制性。在这项工作中，我们提出了一种针对建模为神经 SDEs 的时间序列的变点检测算法。给定一个时间序列数据集，所提出的方法联合学习未知的变点以及与每个变点相对应的不同神经 SDE 模型的参数。具体而言，SDEs 是在生成对抗网络（GANs）的框架下学习的，并且变点是在前向传播中基于 GAN 判别器的输出来检测的。在所提出算法的每一步中，变点和 SDE 模型参数以交替的方式进行更新。我们提供了在合成和真实数据集上的数值结果，以验证我们的算法与经典变点检测基准、基于标准 GAN 的神经 SDEs 以及其他用于时间序列数据的最先进深度生成模型相比的性能。
引用
@article{arxiv.2312.13152,
title = {Neural Stochastic Differential Equations with Change Points: A Generative Adversarial Approach},
author = {Zhongchang Sun and Yousef El-Laham and Svitlana Vyetrenko},
journal= {arXiv preprint arXiv:2312.13152},
year = {2024}
}
备注
accepted paper to be published in the proceedings of ICASSP 2024