RECOWNs：用于可信时间序列预测的概率电路
机器学习
2021-07-30 v2 人工智能
摘要
时间序列预测是一项在诸多真实场景（如产品销售分析与能源需求预测）中执行的重要任务。鉴于其精度表现，当前循环神经网络（RNNs）是该任务的首选模型。尽管 RNNs 在时间序列预测中取得成功，但使其可信的研究较少受到关注。例如，RNNs 无法自然地为预测提供不确定性度量。这在实践中若干情况下极为有用，例如检测因时间序列中异常模式导致预测可能完全错误之时。Whittle 和积网络（WSPNs）作为用于时间序列的杰出深度可处理概率电路（PCs），可辅助 RNN 提供有意义的概率作为不确定性度量。为此，我们提出 RECOWN，一种采用 RNNs 与称为条件 WSPNs（CWSPNs）的 WSPNs 判别变体的新架构。我们还制定了对数似然比分数（Log-Likelihood Ratio Score）作为针对时间序列与 Whittle 似然的更优不确定性估计。在实验中，我们表明 RECOWNs 是准确且可信的时间序列预测器，能够“知道自身不知之时”。
引用
@article{arxiv.2106.04148,
title = {RECOWNs: Probabilistic Circuits for Trustworthy Time Series Forecasting},
author = {Nils Thoma and Zhongjie Yu and Fabrizio Ventola and Kristian Kersting},
journal= {arXiv preprint arXiv:2106.04148},
year = {2021}
}
备注
Accepted for the 4th Workshop on Tractable Probabilistic Modeling (TPM 2021)