时间序列建模的变分离散潜在表示
摘要：离散潜在空间模型在深度变分推理中最近达到了与连续模型相当的性能。尽管它们仍然面临各种实现上的挑战，但这些模型提供了对潜在空间更好的解释以及对自然离散现象的更直接表示的机会。最近的大部分方法都建议在离散潜在数据上单独训练非常高维度的先验模型，这本身就是一项具有挑战性的任务。在本文中，我们介绍了一个离散潜在数据模型，其中离散状态是一个马尔可夫链，这样可以进行快速的端到端训练。我们评估了我们的生成模型在一个建筑管理数据集和公开可用的电力变压器数据集上的性能。
作者：Max Cohen (IP Paris, TSP - ARTEMIS, ARMEDIA-SAMOVAR), Maurice Charbit, Sylvain Le Corff (IP Paris, TSP - CITI, ISTeC-SAMOVAR)
论文ID：2306.15282
分类：Machine Learning
分类简称：stat.ML
提交时间：2023-08-22