用于时序学习的随机控制微分方程

本文提出了一种用于时序学习的新框架，该框架结合了随机特征的效率和受控微分方程（CDE）的表达能力。随机特征的使用使得训练高效的模型成为可能，而CDE则提供了一个连续时间储层，用于捕获复杂的时间依赖关系。本文的贡献在于提出了两种变体（RF-CDE和R-RDE），并展示了它们与核方法和路径签名理论的理论联系。在各种时序基准上的实证评估进一步验证了所提出方法的实用性。

• •介绍了一种使用随机特征和CDE进行时序学习的训练高效框架。
• •提出了两种变体：RF-CDE（随机傅里叶CDE）和R-RDE（随机粗糙DE）。
• •建立了与核方法和路径签名理论的理论联系。
• •在时序基准上展示了具有竞争力的或最先进的性能。