不规则时间序列签名模型的路径插补策略
机器学习
2020-06-09 v2 机器学习
摘要
签名变换是连续向量值路径空间上的一种“通用非线性”，并已在时间序列的机器学习中受到关注。然而，真实世界的时间数据通常在离散时间点被观测，必须首先被转换为连续路径才能应用签名技术。我们通过将其刻画为一个插补问题来显式化这一步骤，并在将基于签名的神经网络应用于不规则时间序列数据时，经验性地评估各种插补策略的影响。对于这些策略中的一种——高斯过程（GP）适配器，我们提出了一个扩展~(GP-PoM)，它使不确定性信息直接可供后续分类器使用，同时避免昂贵的蒙特卡洛（MC）采样。在我们的实验中，我们发现插补的选择极大地影响浅层签名模型，而更深的架构则更为鲁棒。接下来，我们观察到不确定性感知预测（基于 GP-PoM 或指示符插补）有益于预测性能，即便与常规 GP 适配器的不确定性感知训练相比也是如此。总之，我们已证明路径构建对于签名模型确实至关重要，并且我们提出的策略在总体上带来了有竞争力的性能，特别是提升了签名模型的鲁棒性。
引用
@article{arxiv.2005.12359,
title = {Path Imputation Strategies for Signature Models of Irregular Time Series},
author = {Michael Moor and Max Horn and Christian Bock and Karsten Borgwardt and Bastian Rieck},
journal= {arXiv preprint arXiv:2005.12359},
year = {2020}
}