时序变分隐式神经表示
机器学习
2025-06-03 v1
摘要
我们引入了时序变分隐式神经表示 (Temporal Variational Implicit Neural Representations, TV-INRs)，这是一个用于对不规则多变量时间序列进行建模的概率框架，能够实现高效的个性化插补与预测。通过将隐式神经表示与潜变量模型相结合，TV-INRs 能够学习以特定信号协变量为条件的连续时间生成器函数的分布。与需要大量训练、微调或元学习的现有方法不同，我们的方法通过单次前向传播即可实现准确的个性化预测。我们的实验表明，仅凭单个 TV-INRs 实例，即可准确解决各种插补与预测任务，为实际应用提供了计算高效且可扩展的解决方案。TV-INRs 在低数据场景下表现尤为出色，在插补任务的均方误差上比现有方法优出一个数量级。
引用
@article{arxiv.2506.01544,
title = {Temporal Variational Implicit Neural Representations},
author = {Batuhan Koyuncu and Rachael DeVries and Ole Winther and Isabel Valera},
journal= {arXiv preprint arXiv:2506.01544},
year = {2025}
}