NIPSDec, 2017

动态玻尔兹曼机用于二阶矩和广义高斯分布

PDF
TL;DR本文介绍了如何扩展动态玻尔兹曼机算法以适用于金融时间序列数据的预测，并取得了显著的性能改进。
dynamic boltzmann machinegaussian distributionfinancial time-series datavarianceperformance improvement
发现论文，激发创造
  • 通过尖锐时间依赖可塑性学习二进制或实值时间序列

    本文提出了一种动态玻尔兹曼机作为脉冲神经网络的模型，通过放松一些约束条件使其更适合计算和学习，并且将其学习过程视为二值时间序列的逻辑回归或高斯玻尔兹曼机，结果表明高斯玻尔兹曼机能够通过使用额外的解释变量来捕捉时间序列的长期依赖性并显著提高预测准确性。

    Dec, 2016

  • 时间序列的玻尔兹曼机

    本文综述了针对时间序列扩展的玻尔兹曼机，介绍了后向传递算法通过时间学习参数的实现。此外，为了解决在线学习中 BPTT 的计算复杂度随着时间序列长度的线性增长的问题，介绍了动态玻尔兹曼机（DyBM）及其基于时间本地性的学习规则，该规则与生物神经网络中的时序相关可塑性（STDP）有关，并被实验证实。

    Aug, 2017

  • 变分高斯过程动态系统

    本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

    Jul, 2011

  • 高斯过程波动率模型

    使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差，相较于标准模型，新模型具有更高的预测性能。

    Feb, 2014

  • 单调深度玻尔兹曼机

    本研究提出了单调 Deep Boltzmann machines，架构允许全连接的权重结构的高效（近似）推理，可用于图像联合完成和分类。

    Jul, 2023

  • 利用高斯 - 二元受限玻尔兹曼机模拟自然图像统计

    本文从密度模型的角度出发，对高斯 - 二进制受限玻尔兹曼机（GRBM）进行理论分析，展示了 GRBM 的一些性能和限制，讨论了训练算法的几个关键点，并与其他改进的模型进行了比较。

    Jan, 2014

  • 多元金融时间序列动态协方差模型

    该研究提出了一种使用贝叶斯方法的动态模型来准确预测多元金融数据中的时间变化协方差，通过假设参数值的扩散过程来捕捉市场条件的变化，使用粒子滤波器进行计算，解决了超拟合、局部最优和大量计算成本等问题。实验结果表明该算法在金融数据分析中表现出色。

    May, 2013

  • 可扩展的广义动态主题模型

    本篇论文介绍了针对动态主题模型的一些新成果，包括将可计算先前从 Wiener 过程扩展到通用的高斯过程，提出了基于随机变分推理和稀疏高斯过程的可扩展近似推理方法，实验结果表明扩展模型可以发现以前无法找到的有趣模式。

    Mar, 2018

  • DynGMA：一种从数据中学习随机微分方程的强鲁棒性方法

    本文介绍了一种从轨迹数据学习未知随机微分方程的方法，通过近似参数化 SDE 的过渡密度的高斯密度近似和动力学高斯混合近似方法，实现了对完全未知漂移和扩散函数的精确学习和计算不变分布，适用于低时间分辨率和可变的，甚至是不可控的时间步长的轨迹数据。通过在不同场景下进行多个实验，验证了所提方法的优势和鲁棒性。

    Feb, 2024

  • 结构化时间序列的快速非参数聚类

    本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程，创新性地在高斯过程的基础上引入结构化时间序列数据模型，以及加速新型的狄利克雷过程变分推理算法，可用于优化我们的方差逼近。生物时间序列应用实例中，我们的模型更好地捕获了数据的显著特征，提高了与现有生物分类的一致性，同时推理算法提供了 EM 变分推理的两倍速度。

    Jan, 2014