English(EN) Backward Coherence and Hidden-State Stability in Recurrent Neural Networks: A Quasi-Reverse-Martingale Theory

新的向后相干性理论改进了RNN稳定性

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-08 02:20

研究人员开发了一个名为向后相干性的新理论框架，用于分析循环神经网络（RNN）中的隐藏状态稳定性。该方法将隐藏状态序列视为一个拟反鞅，从而能够实现更稳定和可解释的表示。模拟和真实数据研究表明，该方法可以显著提高稳定性，减少跟踪误差，并提高预测精度，尤其是在概念漂移的情况下。 AI

影响引入了一个理论框架，以增强RNN的稳定性和可解释性，有望提高时间序列预测和数据分析任务的性能。

排序理由该集群包含一篇学术论文，详细介绍了用于改进循环神经网络的新理论框架和实验验证。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Yuan-chin Ivan Chang · 2026-06-09 04:00

循环神经网络中的反向相干性与隐藏状态稳定性：一种拟反鞅理论

arXiv:2606.08934v1 Announce Type: cross Abstract: Recurrent neural networks maintain a hidden state $h_t$, but its probabilistic meaning is often unclear. We study hidden-state stability through \emph{backward coherence}: the extent to which $h_t$ can be reconstructed from $h_{t+…
arXiv stat.ML TIER_1 English(EN) · Yuan-chin Ivan Chang · 2026-06-08 02:20

循环神经网络中的反向相干性与隐藏状态稳定性：一种拟反鞅理论

Recurrent neural networks maintain a hidden state $h_t$, but its probabilistic meaning is often unclear. We study hidden-state stability through \emph{backward coherence}: the extent to which $h_t$ can be reconstructed from $h_{t+1}$ by a learned backward projector $g_φ$. Under c…