关键词neural controlled differential equations
搜索结果 - 10
- 神经微分方程的可逆解法用于非规则采样时间序列的分析
基于神经微分方程的可逆解决方案对处理不规则和不完整的时间序列数据进行复杂性处理,使用神经控制微分方程和神经流的变体确保可逆变换,并通过增强的双潜在状态体系提供优越的分类和插值任务的模型建模,实证分析表明该方法明显优于现有模型,推进了不规则时 - WSDM连续时间自编码器用于正常和非正常时间序列填补
基于连续时间自回归神经网络(NCDEs)的连续时间自编码器(CTA)方法,在时间序列输入中表现出最佳的填补性能。
- 神经控制微分方程的泛化能力
该篇论文处理的是一种监督式学习框架,利用神经控制微分方程预测来自不规则采样时间序列的结果,并通过理论结果与神经网络的 Lipschitz 常数关联,从而上界估计经验风险最小化器得出的期望损失与真实预测器期望损失之间的归纳差距。
- AAAI利用隐藏变量从不规则时间序列观测中估计治疗效果
本文介绍了一种基于 Lipschitz regularization 和神经控制微分方程(CDE)的方法,名为 LipCDE,用于解决时序数据的因果分析问题,该方法能够准确估算个体化的治疗效果和克服隐藏混淆变量导致的治疗估计偏差和高方差情况 - AAAI神经控制微分方程中的可学习路径
本文研究神经控制微分方程的连续解法,采用编码 - 解码模块,通过插值算法生成连续路径,达到更好的时间序列分类和预测表现。
- TimeKit:基于时间序列预测的协同过滤升级工具
该研究提出了一个基于时间序列预测的升级工具包 (TimeKit),能够显著增强现有流行的协同过滤算法,通过每月提取用户 / 项目嵌入向量,并使用时间序列嵌入向量训练预测模型,然后根据嵌入向量的点积得分推荐。
- 多尺度传感器融合和神经 CDE 的连续控制
本文提出了一种新的方法 InFuser 来训练连续时间策略,通过积分和融合多传感器观察数据来推断出连续时间动作,以期获得更好的视觉 - 运动控制。行为克隆实验表明,InFuser 在动态任务中(例如将球挥入杯中)学习到了稳健的策略,并且在观 - AAAI基于图神经网络控制微分方程的交通预测
本文提出了一种基于神经网络控制微分方程的时空图神经控制微分方程(STG-NCDE)方法,将 NCDA 概念应用于时空序列数据的处理中,实验表明该方法在交通预测中表现良好且优于其他 20 种基准模型。
- 神经控制微分方程用于在线预测任务
本文提出神经控制微分方程 (Neural CDE) 用于解释不规则时间序列的函数,同时研究了在连续监测过程中,如何解决实时在线预测的问题,本文提出的插值方案具有测量性和平滑性,并在 MIMIC-IV 医疗数据库上进行了实证测试,对于三个连续 - ICML用神经粗糙微分方程处理长时间序列
本文介绍了一种基于粗路径理论的新方法,使用 log-signature 表示输入信号,扩展了神经控制微分方程 (CDE) 的应用。这种扩展方法可以处理长度为 17k 的时间序列问题,并比现有方法具有更快的训练速度、更好的模型性能和更少的内存