随机签名作为学习粗糙动力学的储层的有效性研究
机器学习
2023-04-27 v3 信号处理
摘要
许多金融、物理和工程现象由受高度不规则（随机）输入驱动的连续时间动力系统建模。在此背景下进行时间序列分析的一个强大工具植根于粗糙路径理论，并利用所谓的 Signature Transform（签名变换）。该算法具有坚实的理论保证，但难以扩展到高维数据。本文中，我们研究了一种近期推导出的随机投影变体，称为 Randomized Signature（随机签名），其利用 Johnson-Lindenstrauss 引理获得。我们对该随机签名方法的有效性进行了深入的实验评估，以期向学界展示该储层的优势。具体而言，我们发现该方法在模型复杂度、训练时间、准确性、鲁棒性和数据需求量方面优于截断签名方法与替代深度学习技术。
引用
@article{arxiv.2201.00384,
title = {On the effectiveness of Randomized Signatures as Reservoir for Learning Rough Dynamics},
author = {Enea Monzio Compagnoni and Anna Scampicchio and Luca Biggio and Antonio Orvieto and Thomas Hofmann and Josef Teichmann},
journal= {arXiv preprint arXiv:2201.00384},
year = {2023}
}
备注
Accepted for IEEE IJCNN 2023