論文の概要: Independence Testing for Temporal Data

• arxiv url: http://arxiv.org/abs/1908.06486v4
• Date: Mon, 5 Feb 2024 20:16:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 21:50:50.900412
• Title: Independence Testing for Temporal Data
• Title（参考訳）: 時間データの独立性テスト
• Authors: Cencheng Shen, Jaewon Chung, Ronak Mehta, Ting Xu, Joshua T. Vogelstein
• Abstract要約: 根本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存するような制限があることが多い。 本稿では,時間的データ間の独立性をテストするブロック置換を用いた時間的依存統計法を提案する。
• 参考スコア（独自算出の注目度）: 14.25244839642841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal data are increasingly prevalent in modern data science. A fundamental question is whether two time-series are related or not. Existing approaches often have limitations, such as relying on parametric assumptions, detecting only linear associations, and requiring multiple tests and corrections. While many non-parametric and universally consistent dependence measures have recently been proposed, directly applying them to temporal data can inflate the p-value and result in invalid test. To address these challenges, this paper introduces the temporal dependence statistic with block permutation to test independence between temporal data. Under proper assumptions, the proposed procedure is asymptotically valid and universally consistent for testing independence between stationary time-series, and capable of estimating the optimal dependence lag that maximizes the dependence. Notably, it is compatible with a rich family of distance and kernel based dependence measures, eliminates the need for multiple testing, and demonstrates superior power in multivariate, low sample size, and nonlinear settings. An analysis of neural connectivity with fMRI data reveals various temporal dependence among signals within the visual network and default mode network.
• Abstract（参考訳）: 時間データは現代のデータ科学でますます普及している。 基本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存する、線形結合のみを検出する、複数のテストと修正を必要とする、といった制限がある。 多くの非パラメトリックで普遍的に一貫した依存尺度が最近提案されているが、時間的データに直接それを適用すると、p値が膨らみ、無効なテストとなる。 本稿では,時間データ間の独立性をテストするために,ブロック置換を伴う時間依存統計法を提案する。 適切な仮定の下では、提案手法は漸近的に有効であり、定常時系列間の独立性をテストするために普遍的に一貫性があり、依存を最大化する最適な依存遅延を推定することができる。 特に、距離とカーネルベースの依存尺度の豊富なファミリーと互換性があり、複数のテストの必要性をなくし、多変量、低サンプルサイズ、非線形設定において優れたパワーを示す。 fMRIデータによる神経接続の解析により、視覚ネットワークとデフォルトモードネットワーク内の信号間の様々な時間的依存が明らかになった。

関連論文リスト

• Spatiotemporal Covariance Neural Networks [10.855602842179621]
  本稿では,時系列のサンプル共分散行列を用いた関係学習モデルを導入し,データのモデル化に共同時間畳み込みを利用する。 我々は,STVNNが安定であり,時間的PCAに基づく手法よりも改善されていることを証明した。
  論文  参考訳（メタデータ） (2024-09-16T08:05:58Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [25.91078012394032]
  不均一な時間間隔やコンポーネントのミスアライメントを含む時間的不規則。 我々は,非ガウス的データ分布を非パラメトリック的に表現する条件フロー表現を開発する。 提案手法の広範な適用性と優位性は,実世界のデータセット上でのアブレーション研究とテストを通じて,既存のアプローチと比較することによって確認される。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
  逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。 私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
  論文  参考訳（メタデータ） (2023-04-29T01:30:33Z)
• Sequential Kernelized Independence Testing [101.22966794822084]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Non-Parametric Inference of Relational Dependence [17.76905154531867]
  本研究では,関係系から引き出されたデータの独立性を推定する問題について検討する。 我々は,非観測データに対する関係独立性試験を運用するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。
  論文  参考訳（メタデータ） (2022-06-30T03:42:20Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• A kernel test for quasi-independence [24.127106529428335]
  興味のあるデータが順序付けられた時刻のペアに対応する設定を考える。 時間的順序を超えて重要な依存が存在するかどうかを判断することは依然として関心がある。 疑似独立性の非パラメトリック統計テストを提案する。
  論文  参考訳（メタデータ） (2020-11-17T22:42:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。