关于循环神经网络在噪声动力学系统中的行为的简短注记
使用基于数据驱动的长短时记忆(LSTM)循环神经网络的预测方法,展示了该方法在高维混沌系统中的定量预测效果,并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比,LSTM 在所有应用中都表现出更好的短期预测准确性,并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018
通过系统实证分析,本文发现在文本生成等实际应用场景下,基本的 RNN 或 LSTM RNN 的训练过程中不会表现出混沌行为,这一发现说明未来的研究应该将方向放在非线性动力学的另一个方面上。
Apr, 2020
我们将循环神经网络扩展到包含几个灵活的时间尺度,这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络(LSTMs)在预测已知具有长期记忆的资产价格波动性方面的能力,我们发现扩展的 LSTMs 所需的训练时期减少了一半,而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时,验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20%。
Aug, 2023
本研究论文介绍了递归神经网络 (RNN)、 长短期记忆网络 (LSTM) 及其变体,在训练过程中解决长序列中的梯度消失 / 爆炸问题,并详细介绍了 LSTM 中的门控单元,双向 RNN 及 Embeddings from Language Model (ELMo) network 的原理。
Apr, 2023
该论文研究了循环神经网络和其变体在处理序列方面的强大性能,并提出了一种基于长短期记忆(LSTM)预测区间的控制图方法,用于监测具有时间变动性的数据,并表明该方法优于其他基于神经网络的预测监测方法,特别适用于检测平均值突变的异常情况。
Sep, 2023
论文介绍了一种基于早期理论结果的算法,该算法基于反向传播和矩阵操作,可以训练前馈神经网络来近似动态系统,并将其转换为递归网络,以模拟原始系统的动态行为。
Dec, 2015
本文对于近三十年来产生和实践了重要的循环神经网络(RNN),LSTM 和 BRNN 等模型的研究进行综述,旨在提供一个自成体系的最前沿阐述和历史视角,并引用了相关研究文献。
May, 2015