提出了一种基于神经网络的确定性推理算法,用于训练和测试具有未知参数形式的概率深度状态空间模型,实验结果表明该方法在预测性能和计算预算方面具有卓越的平衡性。
Sep, 2023
该论文提出了一种基于图结构状态空间模型的概率推理方法,利用深度学习和高斯马尔可夫随机场的有原则的推理方法,定义简单的空间和时间图层,并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布,可缩放地采样出闭合的后验。
Jun, 2023
本文提出了一种基于图神经网络的深度状态空间模型,用于建模交互式动态系统,且预测分布为多峰高斯混合模型,同时提出了结构化的协方差近似方法,可以适用于具有多个智能体的系统,并在自动驾驶数据集上进行了测试并与现有技术进行了比较。
May, 2023
本篇论文提出了一种基于双重随机变分推断和高斯过程的可扩展训练算法,用于可靠地训练完全概率状态空间模型中的潜在状态时间相关性, 并在真实世界基准数据集集上评估了所提出的 PR-SSM 的效果与最先进的概率模型学习方法进行了比较
Jan, 2018
提出了一个使用矩阵乘积状态的基于概率论解释的生成模型,可以进行直接采样和动态调整张量尺寸,适用于无监督机器学习领域。
Sep, 2017
提出了一种基于深度生成模型的注意力神经网络架构,对高维、纵向数据中的患者生物标志物进行建模,达到了可扩展和准确预测疾病进展的效果,同时在实际临床数据上提供了癌症进展动态的解释性见解。
Feb, 2021
基于 Rough Path Theory,本研究证明了具备选择性机制的随机线性递归在输入控制条件下可产生低维投射的隐藏状态,并阐述了现代选择性状态空间模型的成功和未来 SSM 变体的表达能力。
Feb, 2024
我们提出了一种基于模型的时间序列聚类方法,使用混合通用状态空间模型(MSSMs)。该方法的优势在于能够根据具体的时间序列使用适当的时间序列模型,从而提高聚类和预测精度,并增强估计参数的解释性。该方法使用随机变分推断(stochastic variational inference)来估计 MSSMs 的参数,并利用具有归一化流(normalizing flow)的神经网络作为变分估计器来估计任意状态空间模型的潜在变量。可以使用贝叶斯信息准则(Bayesian information criterion)来估计聚类数量,并通过引入熵退火等优化技巧来防止 MSSMs 陷入局部最优。在模拟数据集上的实验表明,该方法对于聚类、参数估计和聚类数量估计是有效的。
Jun, 2024
本研究通过将结构信息整合到在线逼近目标中,采用拉普拉斯正则化项,将状态空间模型理论扩展到时间图,提出了 GraphSSM 框架,用于建模时间图的动态性,实验证明 GraphSSM 在各种时间图基准测试中的有效性。
我们提出了一种新的层次切换状态模型,可以以无监督方式进行训练,同时解释系统层面和个体层面的动态,通过观测到的链条在实体和系统层面之间的反馈来提高灵活性,通过实验验证了模型在预测未来个体行为方面的优越性,并能解释群体动态。
Jan, 2024