Latent Jump Models

新的潜在跳跃模型为时间序列分析提供更快的训练速度

研究人员推出了一种新的时间序列分析框架——潜在跳跃模型（LJMs）。与依赖平滑ODE或SDE动力学的传统模型不同，LJMs包含由泊松驱动的离散事件，这些事件会导致瞬时状态转移。该模型具有状态依赖的强度和标记分布，定义了一个时间齐次的马尔可夫过程。为了训练，开发了一种新颖的事件增强路径空间证据下界（ELBO）和扫描并行变分推断（SPVI），通过在状态复现评估之前对潜在事件配置进行采样，从而实现更快、更具可扩展性的训练。