Fugu-MT 論文翻訳(概要): Selecting time-series hyperparameters with the artificial jackknife

論文の概要: Selecting time-series hyperparameters with the artificial jackknife

arxiv url: http://arxiv.org/abs/2002.04697v7
Date: Tue, 18 Mar 2025 01:44:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-23 15:24:30.035892
Title: Selecting time-series hyperparameters with the artificial jackknife
Title（参考訳）: 人工膝関節による時系列ハイパーパラメータの選択
Authors: Filippo Pellegrino,
Abstract要約: 私はそれをArtificial delete-d$ jackknifeと呼び、このアプローチが古典的な削除ステップを架空の削除に置き換えていることを強調します。この手順はデータの順序をそのままに保ち、時系列とのプレーンな互換性を可能にする。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This article proposes a generalisation of the delete-$d$ jackknife to solve hyperparameter selection problems for time series. I call it artificial delete-$d$ jackknife to stress that this approach substitutes the classic removal step with a fictitious deletion, wherein observed datapoints are replaced with artificial missing values. This procedure keeps the data order intact and allows plain compatibility with time series. This manuscript justifies the use of this approach asymptotically and shows its finite-sample advantages through simulation studies. Besides, this article describes its real-world advantages by regulating forecasting models for foreign exchange rates.
Abstract（参考訳）: 本稿では、時系列のハイパーパラメータ選択問題を解くために、delet-d$ jackknife の一般化を提案する。私はそれをArtificial delete-d$ jackknifeと呼び、この手法が古典的な削除ステップを架空の削除に置き換え、観察されたデータポイントが人工的な欠落値に置き換えられることを強調します。この手順はデータの順序をそのままに保ち、時系列とのプレーンな互換性を可能にする。この写本は、このアプローチを漸近的に用い、シミュレーション研究を通じてその有限サンプルの利点を示す。さらに、海外為替レートの予測モデルを調整することで、現実世界の利点について述べる。

関連論文リスト

Autoregressive Speech Synthesis without Vector Quantization [135.4776759536272]
テキストから音声合成(TTS)のための新しい連続値トークンに基づく言語モデリング手法であるMELLEを提案する。 MELLEはテキスト条件から直接連続メル-スペクトログラムフレームを自動回帰生成する。
論文参考訳（メタデータ） (2024-07-11T14:36:53Z)
AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
論文参考訳（メタデータ） (2023-05-08T05:42:24Z)
Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。 SPOTは最先端の代替品よりも優れている。
論文参考訳（メタデータ） (2022-07-14T16:58:47Z)
Self-supervised Transformer for Multivariate Clinical Time-Series with Missing Values [7.9405251142099464]
本稿ではSTraTS(Self-supervised Transformer for TimeSeries)モデルを提案する。伝統的な密度行列表現を使う代わりに、時系列を観測三重項の集合として扱う。これは、特にラベル付きデータが制限された場合、死亡予測の最先端手法よりも優れた予測性能を示す。
論文参考訳（メタデータ） (2021-07-29T19:39:39Z)
Discrete Auto-regressive Variational Attention Models for Text Modeling [53.38382932162732]
変分オートエンコーダ(VAE)はテキストモデリングに広く応用されている。情報不足と後部崩壊という2つの課題に悩まされている。本稿では,自己回帰変動注意モデル(DAVAM)を提案する。
論文参考訳（メタデータ） (2021-06-16T06:36:26Z)
Adaptive Machine Unlearning [21.294828533009838]
SISフレキシブルリトレーニングは、完全にトレーニングされたモデルよりも安価な計算リトレーニングで、モデルから削除されたデータポイントを削除することを目的としている。我々は、事前の作業が非適応的削除シーケンスの保証をいかに与え、非常に強力なアルゴリズムに対して強力な証明可能な削除保証を与えるかを示す。
論文参考訳（メタデータ） (2021-06-08T14:11:53Z)
Anytime Sampling for Autoregressive Models via Ordered Autoencoding [88.01906682843618]
自動回帰モデルは画像生成や音声生成などのタスクに広く使われている。これらのモデルのサンプリングプロセスは割り込みを許さず、リアルタイムの計算資源に適応できない。いつでもサンプリングできる新しい自動回帰モデルファミリーを提案します。
論文参考訳（メタデータ） (2021-02-23T05:13:16Z)
Compressive Summarization with Plausibility and Salience Modeling [54.37665950633147]
本稿では,候補空間に対する厳密な構文的制約を緩和し,その代わりに圧縮決定を2つのデータ駆動基準,すなわち妥当性とサリエンスに委ねることを提案する。提案手法は,ベンチマーク要約データセット上で強いドメイン内結果を得るとともに,人間による評価により,文法的および事実的削除に対して,可算性モデルが一般的に選択されることを示す。
論文参考訳（メタデータ） (2020-10-15T17:07:10Z)
Descent-to-Delete: Gradient-Based Methods for Machine Unlearning [15.647473776016042]
任意に長い逆更新を処理できる最初のデータ削除アルゴリズムを提供する。例えば、削除後、最適化アルゴリズムによって維持される状態全体が、私たちが再訓練された状態と統計的に区別できないことを問うことができる。
論文参考訳（メタデータ） (2020-07-06T17:54:35Z)
Cascaded Text Generation with Markov Transformers [122.76100449018061]
ニューラルテキスト生成における2つの主要なアプローチは、シリアルビームサーチデコーディングを使用した完全自己回帰モデルと、出力依存のない並列デコーディングを使用した非自己回帰モデルである。本稿では,境界付きコンテキストを持つ条件付きランダムフィールドを並列にデコードできることに言及し,高品質な出力を生成するための効率的なカスケードデコード手法を提案する。このアプローチでは,5つの機械翻訳データセットの既存の手法と比較して,競争力のある精度と速度のトレードオフを示す一方で,標準的な自己回帰トレーニングからのわずかな変更しか必要としない。
論文参考訳（メタデータ） (2020-06-01T17:52:15Z)
Approximate Data Deletion from Machine Learning Models [31.689174311625084]
トレーニングされた機械学習(ML)モデルからデータを削除することは、多くのアプリケーションにおいて重要なタスクである。線形モデルとロジスティックモデルに対する近似的削除法を提案する。また,MLモデルからのデータ削除の完全性を評価するための機能注入テストも開発した。
論文参考訳（メタデータ） (2020-02-24T05:12:03Z)

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。