Stochastic Deep Learning: A Probabilistic Framework for Modeling Uncertainty in Structured Temporal Data
随机深度学习：结构化时间数据不确定性建模的概率框架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：摘要聚焦通用概率机器学习与潜在随机微分方程，尚不足以确定所列计量经济学领域细分。
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…
关注这篇论文的作者
随机深度学习：结构化时间数据不确定性建模的概率框架
- 研究问题
- 如何在结构化时间数据的深度生成模型中表示连续时间不确定性，并处理不规则采样、复杂动态和训练梯度稳定性？
- 方法与思路
- 作者将 Itô 随机微分方程嵌入变分自编码器潜在空间，用神经网络参数化漂移、扩散及伴随状态，构造耦合前后向系统。
- 材料陈述的贡献
- 摘要提出 SLDI 框架、路径正则化伴随损失及方差缩减梯度流分析，旨在连接变分推断、连续时间生成建模和控制优化。
- 阅读关注点
- 核对潜在随机过程和伴随系统的数学条件，路径正则化损失如何构造，以及方差缩减与训练稳定性结论的具体范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未给出完整定理条件、实验或数值比较，无法判断训练改善程度。
原文摘要
I propose a novel framework that integrates stochastic differential equations (SDEs) with deep generative models to improve uncertainty quantification in machine learning applications involving structured and temporal data. This approach, termed Stochastic Latent Differential Inference (SLDI), embeds an Itô SDE in the latent space of a variational autoencoder, allowing for flexible, continuous-time modeling of uncertainty while preserving a principled mathematical foundation. The drift and diffusion terms of the SDE are parameterized by neural networks, enabling data-driven inference and generalizing classical time series models to handle irregular sampling and complex dynamic structure. A central theoretical contribution is the co-parameterization of the adjoint state with a dedicated neural network, forming a coupled forward-backward system that captures not only latent evolution but also gradient dynamics. I introduce a pathwise-regularized adjoint loss and analyze variance-reduced gradient flows through the lens of stochastic calculus, offering new tools for improving training stability in deep latent SDEs. My paper unifies and extends variational inference, continuous-time generative modeling, and control-theoretic optimization, providing a rigorous foundation for future developments in stochastic probabilistic machine learning.