Core Concepts
ニューラルネットワークを使用した時間軌跡の変分サンプリングの効果的な実装と統計推論に関する研究。
Abstract
決定的な時間過程は、初期条件z0と遷移関数f:(Z、T) → Zによって決定される。
既存の方法は、遷移関数を微分方程式または再帰ニューラルネットワークとしてモデル化している。
新しいトラジェクトリの合成を可能にするフレームワークが導入された。
データエンコーダー、機能エンコーダー、デコーダーを使用してFNODEモデルを最適化。
GMMを使用して学習したγからサンプリングし、信頼区間や事後平均値を生成。
Stats
θはNN fの重みであり、fθは3層の完全接続ネットワークである。
ガウス混合モデル(GMM)が学習されたγからサンプリングされている。
Quotes
"我々のフレームワークは意味のある遷移関数f(i)の表現を学ぶ能力を示す。"
"信頼区間内にすべての観測値があることから、我々のモデルは時間軌跡の変分サンプリング能力を示しています。"