研究人员开发了一种新颖的神经常微分方程（Neural CDEs）方法，通过平滑驱动控制路径来提高效率。该方法用核和高斯过程平滑取代了精确插值，使得轨迹更加规则，并减少了自适应求解器所需的函数评估次数。为了弥补丢失的细节，引入了基于注意力的多视图CDE（MV-CDE）及其卷积扩展（MVC-CDE），使模型能够重建路径并捕捉多条轨迹中不同的时间模式。带有GP的MVC-CDE在准确性上达到了最先进水平，同时与现有的基于样条的方法相比，推理时间显著缩短。 AI
影响 这项研究为使用神经CDEs进行序列建模提供了一个更高效的框架，有望实现更快、更准确的时间序列分析。
排序理由 详细介绍神经CDEs新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
