Central limit theorems for the outputs of fully convolutional neural networks with time series input
时间序列输入下全卷积神经网络输出的中心极限定理AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要的理论核心是短程依赖线性时间序列输入及其网络输出的渐近分布。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
时间序列输入下全卷积神经网络输出的中心极限定理
- 研究问题
- 当输入来自短程依赖的线性时间序列过程时，带全局平均池化的全卷积网络输出能否在序列长度增长时获得高斯极限？
- 方法与思路
- 作者利用时间序列理论工具证明网络输出的渐近高斯性，并将全局平均池化推广为具有缓慢变化、可学习权重的全局池化。
- 材料陈述的贡献
- 摘要称，在所述短程依赖线性过程输入下，网络输出随观测序列长度趋于无穷而渐近高斯，并提出加权池化推广。
- 阅读关注点
- 应核对输入过程、网络结构与激活函数的条件，输出中心化及缩放方式，以及可学习池化权重是否满足相应极限定理。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或接收。摘要未说明完整定理条件，也未证明加权池化必然改善预测或分类表现。
原文摘要
Deep learning is widely deployed for time series learning tasks such as classification and forecasting. Despite the empirical successes, only little theory has been developed so far in the time series context. In this work, we prove that if the network inputs are generated from short-range dependent linear processes, the outputs of fully convolutional neural networks (FCNs) with global average pooling (GAP) are asymptotically Gaussian and the limit is attained if the length of the observed time series tends to infinity. The proof leverages existing tools from the theoretical time series literature. Based on our theory, we propose a generalization of the GAP layer by considering a global weighted pooling step with slowly varying, learnable coefficients.