Neural Controlled Differential Equations for Irregular Time Series
PulseAugur coverage of Neural Controlled Differential Equations for Irregular Time Series — every cluster mentioning Neural Controlled Differential Equations for Irregular Time Series across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
神经控制微分方程推动文本到语音合成发展
研究人员提出了一种使用神经控制微分方程（CDE）进行文本到语音（TTS）合成的新颖方法。该方法将音素表示建模为连续时间控制路径，使隐藏状态能够根据音素内容和持续时间推导出的时间演变。实验表明，基于CDE的模型可以通过调整时间分辨率来提高情感强度对齐，并提供对风格跟踪与绝对校准的细致控制。
-
神经CDEs推进电网形成逆变器AI建模
研究人员开发了一种使用神经控制微分方程（Neural CDEs）创建电网形成逆变器连续时间代理模型的新颖框架。该方法解决了现有电力电子人工智能方法中的挑战，例如多时间尺度分析的困难以及缺乏物理感知评估。提出的Neural CDE框架允许灵活的采样率，并结合了具有双慢/快路径的仿射控制公式来捕获复杂的转换器动力学。受物理启发的正则化增强了稳定性和相干性，评估证明了在电磁瞬态仿真中瞬态响应的准确再现和阻尼特性的保留。
-
新的OAT方法可高效追踪LLM智能体故障，无需逐级数据
研究人员开发了一种名为OAT的新方法，用于LLM智能体系统的无监督故障归因。该方法通过学习成功的轨迹来识别推理时故障轨迹中的错误步骤，避免了昂贵的逐级标注。OAT利用神经控制微分方程对成功轨迹的动态进行建模，并为偏差步骤分配异常分数。实验表明，即使在训练数据有限的情况下，OAT也比现有的基于提示的方法更快、更准确。
-
新方法大幅加快神经控制微分方程的训练速度
本论文介绍了三种提高神经控制微分方程（NCDE）训练效率和可扩展性的方法，NCDE是一类用于连续时间序列数据的模型。提出的技术包括用于更快逼近的Log-NCDE、用于闭式解和并行计算的Linear NCDE，以及用于进一步提高效率的Structured Linear NCDE。这些进展共同将训练时间缩短了多达三个数量级，同时在时间序列基准测试中取得了最先进的结果。
-
新的神经CDE方法通过核平滑提高效率
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。
-
新的Diff-MN框架可从不规则数据生成连续时间序列
研究人员开发了Diff-MN，一个新颖的框架，用于生成连续时间序列数据，即使观测数据不规则且稀疏。该方法通过引入混合专家（MoE）动力学函数和解耦的训练架构来增强神经常微分方程（NCDE）。Diff-MN利用扩散模型来参数化NCDE的时间动力学，从而实现样本特定的参数生成和改进的泛化能力。在多个数据集上的实验表明，Diff-MN在不规则到规则以及不规则到连续时间序列生成任务上均优于现有方法。
-
新的神经网络架构应对复杂的科学计算问题 · 跟踪 8 个来源
研究人员正在开发新颖的神经网络架构来求解复杂的偏微分方程 (PDE) 和建模动力学系统。这包括用于离子传输的面向结构的随机神经网络 (SO-RaNN)，用于具有已知图结构的_时间序列_预测的_信息_神经_控制_微分方程 (INDEQS)，以及用于高保真 PDE 解的_启动器-迭代器_神经算子 (SINO)。此外，还提出了正交正则化 (OrthoReg) 来通过防止组件之间的重叠来改进混合符号-神经模型，而其他工作则探索了现代神经网络架…
-
新嵌入方法增强了不规则数据的连续时间模型
研究人员开发了一种将不规则和异步数据嵌入连续时间模型的新方法，特别适用于 Log-NCDEs。该方法通过直接将观测值作为增量形成对数签名，从而绕过了插值或填充的需要。实验表明，这种表示方法在包括合成和真实世界时间序列数据在内的各种数据集上都准确、高效且鲁棒。