Data: 25 de maig a les 11.30am Lloc: Saló d'Actes de la Politecnica I Ponent: Mona Schirmer

Les xarxes neuronals recurrents (RNN) són un mètode popular per a modelar dades seqüencials. El seu mecanisme basat en portes permet ponderar la història prèvia codificada en un estat ocult juntament amb la nova informació de les observacions entrants. En moltes aplicacions, com les històries clíniques, els temps de les observacions són irregulars i comporten informació important. No obstant això, les LSTM i les GRU assumeixen intervals de temps constants entre aqueixes observacions. Per a fer front a aquest repte, proposem les unitats recurrents contínues (CRUs), una arquitectura neuronal que pot manejar de manera natural els intervals de temps irregulars entre les observacions. El mecanisme d'activació de la CRU empra la formulació contínua d'un filtre de Kalman i alterna entre (1) la propagació contínua de l'estat latent segons una equació diferencial estocàstica (SDE) lineal i (2) les actualitzacions de l'estat latent cada vegada que arriba una nova observació. En un estudi empíric, vam demostrar que la CRU pot interpolar millor les sèries temporals irregulars que els models basats en equacions diferencials ordinàries neuronals (ODE neuronals). També vam demostrar que el nostre model pot inferir dinàmiques a partir d'imatges i, a més, que el guany de Kalman selecciona els candidats per a les actualitzacions d'estat valuoses a partir d'observacions sorolloses.