Learning Stochastic Differential Equations With Gaussian Processes Without Gradient Matching

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

3 Sitaatiot (Scopus)

Abstrakti

We introduce a novel paradigm for learning non-parametric drift and diffusion functions for stochastic differential equation (SDE). The proposed model learns to simulate path distributions that match observations with non-uniform time increments and arbitrary sparseness, which is in contrast with gradient matching that does not optimize simulated responses. We formulate sensitivity equations for learning and demonstrate that our general stochastic distribution optimisation leads to robust and efficient learning of SDE systems.
AlkuperäiskieliEnglanti
OtsikkoIEEE International Workshop on Machine Learning for Signal Processing
KustantajaIEEE
Sivumäärä6
ISBN (elektroninen)978-1-5386-5477-4
DOI - pysyväislinkit
TilaJulkaistu - 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Workshop on Machine Learning for Signal Processing - Aalborg, Tanska
Kesto: 17 syyskuuta 201820 syyskuuta 2018
Konferenssinumero: 28

Workshop

WorkshopIEEE International Workshop on Machine Learning for Signal Processing
LyhennettäMLSP
MaaTanska
KaupunkiAalborg
Ajanjakso17/09/201820/09/2018

Sormenjälki Sukella tutkimusaiheisiin 'Learning Stochastic Differential Equations With Gaussian Processes Without Gradient Matching'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

  • Laitteet

    Science-IT

    Mikko Hakala (Manager)

    Perustieteiden korkeakoulu

    Laitteistot/tilat: Facility

  • Siteeraa tätä