ICML 24 | 深度函数因子模型：高维函数时间序列预测

文章预览

本文介绍了一种名为深度函数因子模型（DF²M）的贝叶斯非参数模型，用于分析高维函数时间序列。DF²M基于印度自助过程和多任务高斯过程，结合深度核函数捕捉非马尔可夫和非线性时间动态。与许多黑箱深度学习模型不同，DF²M通过构建因子模型并整合深度神经网络在核函数中，提供了一种可解释的方法。此外，本文还开发了一种计算高效的可变推理算法来推断DF²M。实证结果表明，DF²M在解释性和预测准确性方面优于传统深度学习模型。 1. 引言 函数时间序列是指具有时间依赖性的函数对象的序列集合，近年来引起了越来越多的关注。随着数据收集技术和计算能力的进步，包含大量函数时间序列的高维数据集变得越来越普遍。例如，不同国家的年度年龄特定死亡率、不同家庭的每日能源消耗曲线以及数百只股票的日内累计回报轨迹。这些数据可 ………………………………