RNN-based DSSMs

新框架改进深度状态空间模型以进行序列预测

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…