受微分方程启发的深度学习是最近的研究趋势,它标志着许多机器学习任务的艺术表现状态。其中,利用神经控制微分方程(NCDEs)建立时间序列模型是一种突破。在许多情况下,基于ncde的模型不仅比递归神经网络(RNNs)提供了更好的精度,而且使处理不规则时间序列成为可能。在这项工作中,我们通过重新设计其核心部分,即从离散的时间序列输入生成连续路径,来增强NCDEs。NCDEs通常使用插值算法将离散的时间序列样本转换为连续的路径。然而,我们建议i)使用编码器-解码器架构生成另一个潜在的连续路径,这对应于NCDEs的插补过程,即我们基于神经网络的插补与现有的显式插补,ii)利用解码器的生成特性,即:如有需要,可超越原始数据的时间域外推。因此,我们的NCDE设计可以在下游机器学习任务中同时使用插值和外推信息。在我们对5个真实数据集和12个基线的实验中,我们基于外推和内插的ncde比现有基线的性能要好得多
神经控制微分方程
![](https://img-home.csdnimg.cn/images/20240711042549.png)