論文の概要: Predictability limit of partially observed systems
- arxiv url: http://arxiv.org/abs/2001.06547v1
- Date: Fri, 17 Jan 2020 22:06:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 00:27:18.417994
- Title: Predictability limit of partially observed systems
- Title(参考訳): 部分観測システムの予測可能性限界
- Authors: Andr\'es Abeliuk, Zhishen Huang, Emilio Ferrara, Kristina Lerman
- Abstract要約: 金融学から疫学への応用は、しばしば部分的にしか観察されないダイナミック現象の正確な予測を必要とする。
サンプリングによる予測可能性の喪失を定量化し,外部信号を用いて回復できないことを示す。
我々は,感染症の発生,オンラインディスカッション,ソフトウェア開発プロジェクトを表す実世界の部分的観察システムにおける理論的発見の一般性を検証する。
- 参考スコア(独自算出の注目度): 9.029961759984943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Applications from finance to epidemiology and cyber-security require accurate
forecasts of dynamic phenomena, which are often only partially observed. We
demonstrate that a system's predictability degrades as a function of temporal
sampling, regardless of the adopted forecasting model. We quantify the loss of
predictability due to sampling, and show that it cannot be recovered by using
external signals. We validate the generality of our theoretical findings in
real-world partially observed systems representing infectious disease
outbreaks, online discussions, and software development projects. On a variety
of prediction tasks---forecasting new infections, the popularity of topics in
online discussions, or interest in cryptocurrency projects---predictability
irrecoverably decays as a function of sampling, unveiling fundamental
predictability limits in partially observed systems.
- Abstract(参考訳): 金融から疫学、サイバーセキュリティへの応用には、動的現象の正確な予測が必要である。
本稿では,システムの予測可能性の低下を時間的サンプリングの関数として示す。
サンプリングによる予測可能性の損失を定量化し,外部信号を用いて復元できないことを示す。
我々は,感染症の発生,オンラインディスカッション,ソフトウェア開発プロジェクトを表す実世界の部分的観察システムにおける理論的発見の一般性を検証する。
新たな感染の予知、オンライン議論における話題の人気、暗号通貨プロジェクトへの関心など、さまざまな予測タスクにおいて、サンプリング機能として予測可能性が低下し、部分的に観察されたシステムにおいて基本的な予測可能性の限界が明らかにされる。
関連論文リスト
- Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳(メタデータ) (2023-12-28T18:33:26Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Neural State-Space Models: Empirical Evaluation of Uncertainty
Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。
ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。
後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文 参考訳(メタデータ) (2023-04-13T08:57:33Z) - SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。
本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-11-11T23:39:48Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Robust Probabilistic Time Series Forecasting [20.235389891676512]
本稿では,頑健な確率的時系列予測のためのフレームワークを提案する。
逆入力摂動の概念を一般化し、境界ワッサーシュタイン偏差の項でロバストネスの概念を定式化する。
本手法は,加法的対向攻撃による予測品質の向上と雑音観測の補足による予測整合性向上に実証的に有効である。
論文 参考訳(メタデータ) (2022-02-24T05:46:26Z) - Bayesian Neural Hawkes Process for Event Uncertainty Prediction [0.2148535041822524]
発生時刻を予測するモデルは、ソーシャルネットワーク、金融取引、ヘルスケア、人間の移動といった様々なアプリケーションにおいて重要な役割を果たす。
最近の研究は、イベントタイムをモデル化するためのニューラルネットワークベースのポイントプロセスを導入し、イベントタイムの予測に最先端のパフォーマンスを提供することを示した。
本稿では,ベイジアンモデルの不確実性モデリング能力とニューラルネットワークの一般化能力を利用する,新しい点過程モデルベイジアン・ニューラルホークス法を提案する。
論文 参考訳(メタデータ) (2021-12-29T09:47:22Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z)
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。