学习因果生成的平稳时间序列
摘要：因果高斯过程卷积模型（CGPCM）的提出，为因果性、频谱复杂的动态现象提供了双非参数模型。CGPCM是一个生成模型，其中白噪声通过因果性、非参数窗口移动平均滤波器传递，我们展示了该构建与具有偏向因果性信号的非参数内核的高斯过程等价的事实。我们为CGPCM及其先前的非因果性变体-GPCM（Tobar等人，2015b）开发了增强的变分推断和学习方案，显著提高了统计准确性。这些建模和推断的贡献在一系列合成信号和真实世界信号上得到了验证。
作者：Wessel Bruinsma and Richard E. Turner
论文ID：1802.08167
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-02-23