学习非规则采样时间序列中的长期依赖
本文提出了一种名为 ODE-RNNs 的模型,可以对非匀齐时间间隔的时间序列进行建模,并通过实验表明,这种基于 ODE 的模型在处理不规则抽样数据时比基于 RNN 的模型表现更优。
Jul, 2019
提出了一种基于 ODE-LSTM 网络的新型隐状态 ODE 模型,用于建模连续时间序列数据,实验结果表明其相较于 Latent ODE-RNN 模型具有更好的性能且能够避免训练过程中出现的梯度消失和梯度爆炸问题。
Jul, 2023
该研究论文介绍了一种使用 ODE 的时间序列数据分析方法,提出基于 ODE 的 RNN 模型,可在较短的训练时间内学习具有不规则采样率的连续时间序列,并且计算效率更高、精度更高、设计更简单。
May, 2020
本文提出了一种基于哈密顿系统的离散化的循环神经网络架构,解决长时依赖序列输入处理的梯度消失和爆炸问题,实验表明该方法在各种学习任务中提供了最先进的性能。
Mar, 2021
本文提出了一种基于神经 ODE 的 RNN 模型 (RNN-ODE-Adap),用于建模和预测非平稳时间序列数据,该模型可适应性地选择时间步长,并在 Hawkes 型时间序列数据中表现出一致性估计预测能力和计算成本优势。
Jun, 2023
介绍了一种新的数据驱动方法 ——Neural Jump ODE (NJ-ODE), 该模型模拟了连续时间下的随机过程。该模型使用神经 ODE 模型建模两个观察值之间的条件期望,并在每次发现新的观察值时进行跳跃。实验结果表明该模型对于更复杂的学习任务优于现有的基准模型。
Jun, 2020
本研究将控制系统应用于序列建模,提出了简单的序列模型 LSSL,并通过引入连续时间记忆的结构矩阵来提高模型性能,使用 LSSL 优于其他深度学习模型并在时间序列等领域取得了优秀成果。
Oct, 2021
本文介绍了在不规则测量环境中,利用神经普通微分方程或神经流层来提高自回归递归神经网络性能的不同 CTRNN 体系结构,研究表明,在血糖概率预测方面,只有 LSTM 和 ODE-LSTM 体系结构与渐进提升树模型具有相当的性能。
Apr, 2023
利用 LSTM-RNN(长短期记忆 - 循环神经网络)学习和表示非线性积分微分方程(IDEs)中的非线性积分算子,从而提高求解效率和稳定性。
Oct, 2023