用于状态空间模型可扩展变分推断的神经移动平均模型
机器学习
2021-05-19 v2 机器学习
摘要
变分推断通过利用小批量训练，在将近似贝叶斯推断扩展到大数据方面取得了巨大成功。然而迄今为止，该策略最适用于独立数据模型。我们基于一种新颖的潜时间状态生成模型——神经移动平均模型，提出了对时间序列数据的状态空间模型的扩展。这使得可以在不从不完整分布中抽样的情况下对子序列进行采样，从而以低计算成本使用时间序列的小批量进行训练迭代。我们在自回归、Lotka-Volterra、FitzHugh-Nagumo 与随机波动率模型上展示了我们的方法，在短时间内实现了准确的参数估计。
引用
@article{arxiv.1910.00879,
title = {The Neural Moving Average Model for Scalable Variational Inference of State Space Models},
author = {Tom Ryder and Dennis Prangle and Andrew Golightly and Isaac Matthews},
journal= {arXiv preprint arXiv:1910.00879},
year = {2021}
}