潜在跳跃模型新突破：训练速度飙升百倍，精度不减！
Scan-Parallel Variational Inference for event-driven Latent Jump Models
📖 AI 总结
该论文提出潜跳变模型（LJM），用于处理不规则观测的时间序列。与依赖平滑常微分方程或布朗扰动的传统连续时间潜状态模型不同，LJM假设潜状态在泊松驱动的事件时刻之间遵循闭式确定性动态，并在每个事件点发生学习到的瞬时跳变，其强度与标记分布均依赖于状态，从而将跳变建模为内在状态转移而非数值积分步骤。为训练该模型，作者推导了可处理的事件增广路径空间证据下界，并提出扫描并行变分推断方法：由观测条件变分后验先采样完整潜事件配置，再通过三角仿射扫描评估状态递推，使训练复杂度降至对数时间深度。在合成随机系统与真实不规则时间序列上的实验表明，LJM的预测精度与连续时间潜变量基线相当，潜更新次数往往更少，训练速度比顺序基线快一至两个数量级。
🔑 关键词速览
| Latent Jump Models (LJMs) | 潜在跳跃模型，一种连续时间潜在状态空间模型，其中潜在状态在泊松事件间确定性演化，并在事件时发生学习到的瞬时跳跃。 |
| Scan-Parallel Variational Inference (SPVI) | 扫描并行变分推断，一种利用三角仿射扫描并行评估状态递推的变分推断方法，实现对数时间深度的快速训练。 |
| Evidence Lower Bound (ELBO) | 证据下界，变分推断中用于近似边际似然下界的优化目标，此处为事件增强的路径空间形式。 |
| Poisson-driven event times | 泊松驱动的事件时间，事件发生时间由泊松过程生成，其强度可能依赖于状态。 |
| Mark distributions | 标记分布，描述每次跳跃幅度或类型的概率分布，通常与状态相关。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅