Основные понятия
Unser Ansatz ermöglicht es, die Verteilung von zeitlichen Trajektorien zu lernen, indem die Übergangsfunktion f explizit als Element in einem Funktionsraum parametrisiert wird. Dies ermöglicht eine effiziente Synthese neuartiger Trajektorien und bietet gleichzeitig ein praktisches Werkzeug für die Inferenz, d.h. Unsicherheitsschätzung, Likelihood-Auswertungen und die Erkennung von Trajektorien außerhalb der Verteilung.
Аннотация
In dieser Arbeit stellen wir einen Mechanismus vor, um die Verteilung von Trajektorien zu lernen, indem die Übergangsfunktion f explizit als Element in einem Funktionsraum parametrisiert wird.
Unser Rahmenwerk ermöglicht eine effiziente Synthese neuartiger Trajektorien, bietet aber auch direkt ein praktisches Werkzeug für die Inferenz, d.h. Unsicherheitsschätzung, Likelihood-Auswertungen und die Erkennung von Trajektorien außerhalb der Verteilung.
Wir zeigen anhand von Experimenten, dass unser Ansatz im Vergleich zu herkömmlichen zeitlichen Modellen eine wettbewerbsfähige Leistung bei Vorhersageaufgaben erbringt, während er zusätzlich die oben genannten Fähigkeiten bereits in der Formulierung integriert hat.
Статистика
Die Ableitung von x(i)
t mit Bezug auf t stellt die Änderungsrate von x(i)
t in Bezug auf die Zeit dar.
Die Amplitude der Änderungen A(i) ist pro Gruppe i definiert, z.B. Patient, und kann zwischen den Gruppen variieren.
Цитаты
"Unser Rahmenwerk ermöglicht eine effiziente Synthese neuartiger Trajektorien, bietet aber auch direkt ein praktisches Werkzeug für die Inferenz, d.h. Unsicherheitsschätzung, Likelihood-Auswertungen und die Erkennung von Trajektorien außerhalb der Verteilung."