时间点过程中循环神经网络的非渐近理论
机器学习
2024-06-04 v1 机器学习
摘要
时间点过程(TPP)是跨多个领域对不规则时间事件进行建模和预测的重要工具。近年来,基于循环神经网络(RNN)的TPP已显示出相对于传统参数化TPP模型的实践优势。然而,在现有文献中,从理论角度理解神经TPP仍处于起步阶段。在本文中,我们在许多著名的TPP设置下建立了RNN-TPP的超额风险界。我们特别表明,一个不超过四层的RNN-TPP可以实现消失的泛化误差。我们的技术贡献包括:多层RNN类复杂性的刻画、用于逼近动态事件强度函数的tanh神经网络的构建,以及用于缓解无界事件序列问题的截断技术。我们的结果弥合了TPP应用与神经网络理论之间的差距。
引用
@article{arxiv.2406.00630,
title = {On Non-asymptotic Theory of Recurrent Neural Networks in Temporal Point Processes},
author = {Zhiheng Chen and Guanhua Fang and Wen Yu},
journal= {arXiv preprint arXiv:2406.00630},
year = {2024}
}