STRODE：随机边界常微分方程
机器学习
2021-07-20 v1 机器学习
摘要
从顺序获取的感觉输入中感知时间根植于个体的日常行为。然而，大多数时间序列建模算法未能直接从视觉或音频输入中学习随机事件时序的动态，而是在训练时需要时序标注，而真实世界应用中通常无法获得此类标注。例如，神经科学关于后测（postdiction）的观点暗示存在可变的时间范围，在此范围内 incoming 感觉输入可影响更早的感知，但此类时间范围对于自动语音识别（ASR）等真实应用大多无标注。本文提出一种概率常微分方程（ODE），称为 STochastic boundaRy ODE（STRODE），它无需训练时任何时序标注即可学习时间序列数据的时序与动态。STRODE 允许使用微分方程从后验点过程（posterior point processes）中采样，高效且解析。我们进一步提供 STRODE 学习的理论保证。我们的经验结果表明，该方法成功推断时间序列数据的事件时序。与现有最先进（state-of-the-art）方法相比，我们的方法在合成与真实世界数据集上均取得有竞争力或更优的性能。
引用
@article{arxiv.2107.08273,
title = {STRODE: Stochastic Boundary Ordinary Differential Equation},
author = {Hengguan Huang and Hongfu Liu and Hao Wang and Chang Xiao and Ye Wang},
journal= {arXiv preprint arXiv:2107.08273},
year = {2021}
}
备注
Accepted at ICML 2021; typos corrected