本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
推斷模型、預測未來、估計離散時間、離散事件過程的熵率都是老生常談。然而，更廣泛的一類離散事件過程是在連續時間內運作的。在這裡，我們提供了推斷、預測和估計它們的新方法。這些方法依賴貝葉斯結構推理的擴展，利用神經網路的通用逼近能力。基於複雜合成數據的實驗，這些方法在預測和熵率估計方面與最先進的方法具有競爭力。
本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
推斷模型、預測未來、估計離散時間、離散事件過程的熵率都是老生常談。然而，更廣泛的一類離散事件過程是在連續時間內運作的。在這裡，我們提供了推斷、預測和估計它們的新方法。這些方法依賴貝葉斯結構推理的擴展，利用神經網路的通用逼近能力。基於複雜合成數據的實驗，這些方法在預測和熵率估計方面與最先進的方法具有競爭力。