📊 statistics

Computational aspects of the Volterra Signature

本文通过分解 Volterra 签名的 Chen 型卷积关系并引入高效算法（包括近似法、基于 FFT 的方法以及状态空间递归方案），解决了其计算挑战，这些算法在时间步长上实现了不同的复杂度，同时在路径维度和截断层级上保持了标准签名的复杂度，且全部在开源"tensordev"包中实现。

原作者： Paul P. Hager, Fabian N. Harang, Luca Pelizzari, Samy Tindel

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Paul P. Hager, Fabian N. Harang, Luca Pelizzari, Samy Tindel

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《Volterra 签名的计算方面》的解释，已用通俗易懂的语言并辅以生动的类比进行翻译。

宏观图景：赋予时间序列“记忆”

想象你试图理解一条在图表上移动的线所讲述的故事（比如股票价格、心率监测仪读数或笔迹）。

经典方法（“签名”）：
传统上，数学家使用一种称为“路径签名”的东西来概括这个故事。将签名视为路径的完美、通用的摘要。它捕捉了路径所做的每一个转折、弯折和回路。这就像给整个旅程拍一张照片，并将其压缩成一个单一、详细的指纹。这对机器学习非常有益，因为它能确切地告诉计算机发生了什么。

问题所在：
经典签名将过去和现在同等对待。它不在乎变化是发生在 10 秒前还是 10 年前；它只看形状。但在现实世界中，近期事件通常比久远事件更重要。股票价格此刻的崩盘比上个月的一次崩盘更关键。我们需要一种方法告诉计算机：“格外关注近期过去，也许可以遗忘遥远的过去。”

解决方案（"Volterra 签名”）：
作者引入了一种新工具，称为Volterra 签名。将其想象为经典签名戴上了一副焦距可调的眼镜。这些眼镜使用“核”（一种数学滤波器）来模糊旧历史并锐化近期历史。

指数眼镜： 快速模糊过去（如指数衰减）。
分数眼镜： 缓慢模糊过去，保留长长的记忆尾巴。
定制眼镜： 你可以设计模糊效果，以适应任何你需要的特定记忆模式。

挑战：数学负担沉重

虽然这种新的“感知记忆”的签名非常强大，但计算它对于计算机来说是一场噩梦。

想象你试图计算一条包含 1,000 个步骤的路径的签名。

经典方法： 你可以快速完成，就像一块接一块地堆叠积木。
Volterra 方法（朴素方式）： 由于“记忆”滤波器将每一个点与其他每一个点连接起来，朴素的计算就像试图建造一座塔，其中每一块积木都必须粘在其他每一块积木上。如果你将步数翻倍，工作量不会仅仅翻倍，而是会翻四倍。对于长数据流，这在合理的时间内变得无法计算。

论文的突破：三个巧妙的技巧

作者并没有只说“这很难”；他们构建了三个特定的引擎，使计算变得快速高效。

1. “近似”引擎（智能估算器）

类比： 想象你试图预测未来一小时的天气。与其模拟每一颗空气分子（这需要永恒的时间），不如将空气近似为一条平滑曲线，只需检查几个关键点。
论文主张： 他们开发了一种方法，利用几个简单的“多项式”形状来近似复杂的记忆滤波器。

结果： 这将不可能的“二次”工作量转变为可管理的量。对于大多数通用数据，它的速度足够快，你可以通过增加更多的“检查点”来使其达到所需的精度。

2. "FFT"引擎（魔法捷径）

类比： 想象你有一长串数字，需要将它们乘以一个重复的模式（比如节奏）。逐个进行乘法运算很慢。但如果使用“快速傅里叶变换”（FFT），就像拥有一根魔法棒，可以瞬间重新排列数字，使乘法在刹那间完成。
论文主张： 当记忆滤波器是“均匀”的（无论你在时间轴的哪个位置，它看起来都一样，只是发生了位移）时，他们可以使用这种 FFT 魔法。

结果： 他们将计算成本从“二次”（慢）降低到了“对数线性”（非常快）。这就像从步行穿越田野变成了乘坐高速列车。

3. “状态空间”引擎（状态机）

类比： 想象一个拥有有限记忆库（“状态”）的机器人。与其记住路径的整个历史，机器人只需根据新数据和其之前的“情绪”来更新当前的“情绪”。它忘记了细节，但保留了本质。
论文主张： 对于一大类记忆滤波器（那些看起来像指数曲线组合的滤波器），他们证明了可以将问题重写为一个机器人更新其状态的过程。

结果： 这允许进行精确计算（无需猜测），其速度与经典签名一样快。成本取决于机器人记忆库的大小，而不是数据流的长度。

处理“矩阵”复杂性

该论文还处理了一个复杂问题：记忆滤波器不仅仅是一个单一数字；它是一个矩阵（数字网格），同时处理多个维度。

担忧： 通常，增加更多维度会使数学复杂度爆炸式增长。
发现： 作者证明，对于他们的特定方法，增加更多维度（记忆滤波器中的更多“因子”）不会在长期内使计算变慢。这就像给高速公路增加更多车道；只要使用正确的交通管理系统，交通流量依然一样快。

“核技巧”（比较两条路径）

最后，论文解决了第二个问题：如何使用这些感知记忆的签名来比较两条不同的路径（例如，“这个病人的心率与那个病人的相似吗？”）？

方法： 他们创建了一种“预测 - 校正”方案。想象一个网格，你正在填充一张地图。你从边缘（已知值）开始，利用一个聪明的猜测游戏（预测器），随后通过校正步骤填充中间部分。
结果： 这使得计算机能够高效地计算两条复杂、富含记忆的路径之间的相似性，这对于分类等机器学习任务至关重要。

“工具箱”总结

作者构建了一个名为 tensordev 的软件包，实现了所有这些技巧。

通用近似： 适用于任何类型的记忆，对于大多数用途速度足够快。
FFT 加速： 对于均匀记忆模式，速度极快。
状态空间递归： 对于常见的指数型记忆，精确且快速。
核求解器： 一种使用这些新型感知记忆签名快速比较两条路径的方法。

简而言之： 这篇论文将一种强大但计算负担沉重的数学工具（Volterra 签名）进行了改造，构建了三个不同的“引擎”，使其运行速度足以在现实世界的机器学习中发挥作用，同时不丧失建模复杂记忆效应的能力。

技术摘要：Volterra 签名的计算方面

1. 问题陈述

经典路径签名是粗糙路径分析和序列数据机器学习的基石，它提供了一种通用特征映射，但缺乏建模不同尺度记忆效应（例如，区分近期与远期历史）的内在机制。Volterra 签名通过将一般矩阵值核 $K(t, s)$ 纳入迭代积分结构，扩展了经典框架，从而实现了灵活的记忆建模。

然而，核的引入从根本上改变了计算格局。虽然分段线性路径上的经典签名可通过陈氏关系（Chen's relation）和张量指数进行高效计算，但 Volterra 签名涉及一种非纯算术的陈式卷积关系。对定义 Volterra 方程的直接数值积分通常在时间步数 $J$ 上产生二次复杂度 $O(J^2)$ ，这为长时序数据造成了显著的瓶颈。此外，一般核（包括分数阶和指数型核）以及矩阵值结构的存在，使得推导精确或高阶近似方案变得复杂。

本文旨在解决在离散化时间序列上高效计算 Volterra 签名及其相关核的挑战，力求在保持数学严谨性和数值精度的同时，克服二次复杂度障碍。

2. 方法论

作者通过将 Volterra 签名计算分解为解析（依赖核）和算术（依赖路径）组件，开发了一套算法。该方法论通过三个主要途径展开：

A. 分解与离散化

对于分段线性路径，单个区间上的 Volterra 签名被证明可分离为：

解析权重因子：仅依赖于核 $K$ 和时间区间的标量或矩阵。
代数项：路径增量的张量积。
这种分离使得全局签名可以表示为增量单项式的加权和。本文推导了各类核（包括指数核、分数阶核和分段常数核）的权重显式公式。

B. 通用近似方案

对于无法进行精确分解的一般核，作者提出了一种高阶分数阶展开方案。

机制：该方法不使用收敛缓慢的朴素左点近似（针对奇异核），而是利用分数幂（例如，针对分数阶核为 $\{0, \beta, 1\}$ ）的有限展开来近似每个区间上的 Volterra 签名。
复杂度：直接实现会产生 $O(J^2)$ 的复杂度。
加速：对于均匀网格上的卷积核（ $K(t, s) = K(t-s)$ ），内部迭代变为离散卷积。作者引入了一种基于 FFT 的加速方法，通过在张量层级上递归应用快速傅里叶变换，将复杂度降低至 $O(J \log J)$ 。

C. 有限状态空间核的精确递归

对于 admit 状态空间表示的核（具体为指数和、多项式和振荡项之和），作者推导了一种精确线性递归。

状态空间提升：核表示为 $K(t, s) = \sum (1^\top e^{-\Lambda(t-s)}b_r)A_r$ 。
分解：权重因子被证明可分解为矩阵指数与矩阵指数映射的 Fréchet 导数的乘积。
算法：该结构支持一种动态算法，在时间步上以线性方式迭代（ $O(J)$ ），其成本与状态维度的平方（ $R^2$ ）成正比。矩阵因子的评估利用了高效的数值线性代数技术，特别是用于 Fréchet 导数的轮廓积分近似（求积法）。

D. Volterra 签名核

本文还解决了Volterra 签名核（两个签名的内积）的计算问题，该核满足一组 Goursat 型偏微分方程（PDE）。

方案：提出了一种预测 - 校正有限差分方案，用于求解核、辅助状态及核值本身的耦合 PDE 系统。
静态提升：该框架支持将输入路径提升至再生核希尔伯特空间（RKHS）而不丧失可处理性，前提是核内积可高效计算。

3. 主要贡献与结果

算法复杂度降低：
- 一般情况：通过高阶方案，对一般核实现 $O(J^2)$ 复杂度。
- 卷积情况：利用 FFT 加速，将均匀网格上卷积核的复杂度降低至 $O(J \log J)$ 。
- 状态空间情况：对具有有限维状态空间表示的核，实现 $O(J R^2)$ 复杂度，以状态维度 $R$ 为代价恢复了关于 $J$ 的线性关系。
- 矩阵核：证明对于形式为 $K(t, s) = \sum k_p(t-s)A_p$ 的矩阵值核，矩阵分量数量 $q$ 不会增加关于 $J$ 和 $N$ 的渐近复杂度。
精确与近似分解：
- 为指数核、分数阶核和分段常数核提供了权重因子的闭式表达式。
- 确立了对于分段常数核和分段线性路径，可使用简单的动态方案精确计算 Volterra 签名。
数值线性代数的集成：
- 将状态空间核的权重因子计算与矩阵指数的高阶 Fréchet 导数联系起来。
- 利用轮廓积分求积法（基于 [35]）高效评估这些导数，利用核矩阵 $\Lambda$ 的若尔当标准型结构。
核技巧实现：
- 推导了 Volterra 签名核的有限差分预测 - 校正方案，使得涉及记忆效应的学习任务中能够应用核方法。

4. 意义与主张

本文声称提供了首个平衡精确性、效率和通用性的 Volterra 签名综合计算框架。

克服二次障碍：主要意义在于克服了与 Volterra 方程相关的固有 $O(J^2)$ 计算障碍。通过识别允许 $O(J \log J)$ 或 $O(J)$ 算法的特定核结构（卷积和状态空间），作者使 Volterra 签名适用于大规模时间序列数据。
表达力的保持：作者强调，其数值方案保留了签名的代数性质（如 shuffle 恒等式）和通用逼近能力，而朴素的欧拉离散化则无法捕捉这些结构。
实际实现：所有算法均在公开可用的 基于 JAX 的 tensordev 包中实现，确保了具有竞争力的计算效率，并支持对所有参数的自动微分，这对机器学习应用至关重要。
理论严谨性：该工作为近似方案（特别是针对奇异分数阶核）提供了严格的收敛性分析（例如，定理 3.5 和 3.6），确立了收敛阶 $\alpha = \beta$ （朴素）和 $\alpha = 1+\beta$ （高阶）。

总之，本文弥合了 Volterra 粗糙路径的理论丰富性与计算数据科学的实际需求之间的差距，提供了用于记忆感知特征提取的可扩展算法。