Learning with Expected Signatures: Theory and Applications
基于期望签名的学习：理论与应用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：摘要关注跨领域的数据流表征及机器学习理论，未明确涉及宏观时间序列模型或金融应用，细分领域证据不足。
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…
基于期望签名的学习：理论与应用
- 研究问题
- 数据流的离散时间期望签名估计如何对应连续时间理论对象，以及在鞅数据生成过程下能否改进估计误差和预测表现？
- 方法与思路
- 作者建立经验离散时间估计量向连续时间期望签名收敛的结果，并针对鞅过程提出简单修正，以降低均方误差。
- 材料陈述的贡献
- 摘要称收敛结果完善了期望签名学习方法的概率解释，并在鞅情形下提出低均方误差估计量及预测表现的经验展示。
- 阅读关注点
- 应核对签名表征分布所需的条件、离散采样与截断误差如何处理，以及鞅修正的均方误差比较和预测评价设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明分布刻画与收敛的具体条件，也未给出误差改进幅度。
原文摘要
The expected signature maps a collection of data streams to a lower dimensional representation, with a remarkable property: the resulting feature tensor can fully characterize the data generating distribution. This "model-free" embedding has been successfully leveraged to build multiple domain-agnostic machine learning (ML) algorithms for time series and sequential data. The convergence results proved in this paper bridge the gap between the expected signature's empirical discrete-time estimator and its theoretical continuous-time value, allowing for a more complete probabilistic interpretation of expected signature-based ML methods. Moreover, when the data generating process is a martingale, we suggest a simple modification of the expected signature estimator with significantly lower mean squared error and empirically demonstrate how it can be effectively applied to improve predictive performance.