論文の概要: Predicting Multidimensional Data via Tensor Learning
- arxiv url: http://arxiv.org/abs/2002.04328v3
- Date: Wed, 7 Apr 2021 18:13:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 01:55:51.421477
- Title: Predicting Multidimensional Data via Tensor Learning
- Title(参考訳): テンソル学習による多次元データ予測
- Authors: Giuseppe Brandi and T. Di Matteo
- Abstract要約: 本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The analysis of multidimensional data is becoming a more and more relevant
topic in statistical and machine learning research. Given their complexity,
such data objects are usually reshaped into matrices or vectors and then
analysed. However, this methodology presents several drawbacks. First of all,
it destroys the intrinsic interconnections among datapoints in the
multidimensional space and, secondly, the number of parameters to be estimated
in a model increases exponentially. We develop a model that overcomes such
drawbacks. In particular, in this paper, we propose a parsimonious tensor
regression model that retains the intrinsic multidimensional structure of the
dataset. Tucker structure is employed to achieve parsimony and a shrinkage
penalization is introduced to deal with over-fitting and collinearity. To
estimate the model parameters, an Alternating Least Squares algorithm is
developed. In order to validate the model performance and robustness, a
simulation exercise is produced. Moreover, we perform an empirical analysis
that highlight the forecasting power of the model with respect to benchmark
models. This is achieved by implementing an autoregressive specification on the
Foursquares spatio-temporal dataset together with a macroeconomic panel
dataset. Overall, the proposed model is able to outperform benchmark models
present in the forecasting literature.
- Abstract(参考訳): 多次元データの解析は、統計学や機械学習研究において、より関連性の高いトピックになりつつある。
その複雑さから、そのようなデータオブジェクトは通常、行列やベクトルに変換され、分析される。
しかし、この手法にはいくつかの欠点がある。
第一に、多次元空間におけるデータポイント間の本質的な相互接続を破壊し、第二に、モデルで推定されるパラメータの数が指数関数的に増加する。
このような欠点を克服するモデルを開発する。
特に,本論文では,データセットの固有多次元構造を保持する擬似テンソル回帰モデルを提案する。
タッカー構造はパルシモニーを達成するために用いられ、オーバーフィッティングとコリニア性に対処するために縮小ペナリゼーションが導入される。
モデルパラメータを推定するために、交互最小二乗アルゴリズムを開発した。
モデル性能とロバスト性を検証するためにシミュレーションエクササイズが作成される。
さらに、ベンチマークモデルに対するモデルの予測能力を強調した経験的分析を行う。
これはFoursquareの時空間データセットとマクロ経済パネルデータセットに自動回帰仕様を実装することで実現される。
概して、提案モデルは予測文献に存在するベンチマークモデルを上回ることができる。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - On Least Squares Estimation in Softmax Gating Mixture of Experts [85.61224527426624]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳(メタデータ) (2024-02-05T12:31:18Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-06-17T07:50:22Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Nonparametric Functional Analysis of Generalized Linear Models Under
Nonlinear Constraints [0.0]
本稿では、一般化線形モデルのための新しい非パラメトリック方法論を紹介する。
これは二項回帰の強さとカテゴリーデータに対する潜在変数の定式化の強さを組み合わせたものである。
これは最近公開された方法論のパラメトリックバージョンを拡張し、一般化する。
論文 参考訳(メタデータ) (2021-10-11T04:49:59Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Generative Learning of Heterogeneous Tail Dependence [13.60514494665717]
我々のモデルは、各次元のすべての対の間の不均一かつ非対称なテール依存を特徴とする。
パラメータを学習するための新しいモーメント学習アルゴリズムを考案する。
その結果、このフレームワークはコプラベースのベンチマークと比較すると、より優れた有限サンプル性能が得られることがわかった。
論文 参考訳(メタデータ) (2020-11-26T05:34:31Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Amortized Bayesian Inference for Models of Cognition [0.1529342790344802]
専門的なニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、ベイズ近似計算の多くの過去の問題を回避している。
本稿では,アモータイズされたベイズパラメータの推定とモデル比較について概説する。
論文 参考訳(メタデータ) (2020-05-08T08:12:15Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z)
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。