用于序列模式识别的液体神经网络和 LSTM 的比较分析：鲁棒性、效率和临床实用性

arXiv:2605.27467v1 公告类型：新 摘要：传统循环神经网络 (RNN) 和长短期记忆 (LSTM) 单元在离散时间步长上运行，通常无法捕获现实世界物理过程的流体时间动态。液体神经网络 (LNN)，特别是闭式连续时间 (CfC) 网络，通过将隐藏状态演化建模为连续微分方程来解决这个问题。在本文中，我们对四种不同的顺序模式进行了全面的基准测试：基于神经形态事件的数据（N-MNIST）、基于笔划的绘图（QuickDraw）、视觉手写（IAM）和生理时间序列（PhysioNet Sepsis-3）。此外，我们使用临时 dropout 进行严格的压力测试，以评估模型针对缺失数据的稳健性。我们的研究结果表明，LNN 在数据稀疏普遍存在的本地时域和临床环境中始终提供卓越的参数效率和显着更高的鲁棒性。此扩展预印本提供了有关相关数据集和 LNN 理论谱系的额外背景，并辅以详细的附录，记录了我们的完整实现和实验设置。