PulseAugur
中
实时 07:50:57

新框架改进深度状态空间模型以进行序列预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个新的深度状态空间模型（DSSMs）训练框架，旨在提高它们学习序列数据中潜在动态的能力。该方法解决了当前最大化证据下界（evidence lower bound）方法的局限性，这种方法不能保证准确的动态学习。提出的框架包括扩展卡尔曼变分自编码器（EKVAE），它结合了变分推断和贝叶斯滤波，比传统的基于RNN的DSSMs更有效地建模动态。实验表明，该方法提高了系统识别和预测的准确性，其中EKVAE在建模动态系统和解耦静态与动态特征方面表现出卓越的性能。 AI

影响 这项研究可能带来更准确、更具可解释性的序列数据模型，影响自然语言处理和时间序列预测等领域。

排序理由 详细介绍一种新的深度状态空间模型训练方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架改进深度状态空间模型以进行序列预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Alexej Klushyn, Richard Kurle, Maximilian Soelch, Botond Cseke, Patrick van der Smagt ·

    Latent Matters: Learning Deep State-Space Models

    arXiv:2602.23050v2 Announce Type: replace Abstract: Deep state-space models (DSSMs) enable temporal predictions by learning the underlying dynamics of observed sequence data. They are often trained by maximising the evidence lower bound. However, as we show, this does not ensure …

相关实体

相关话题