論文の概要: Multivariate time-series modeling with generative neural networks
- arxiv url: http://arxiv.org/abs/2002.10645v4
- Date: Fri, 1 Oct 2021 20:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 21:12:07.780357
- Title: Multivariate time-series modeling with generative neural networks
- Title(参考訳): 生成ニューラルネットワークを用いた多変量時系列モデリング
- Authors: Marius Hofert, Avinash Prasad, Mu Zhu
- Abstract要約: 多変量時系列(MTS)の連立革新分布の依存モデルとして生成モーメントマッチングネットワーク(GMMN)を導入する
GMMNは、非常に柔軟でシミュレートが容易であり、コプラ-GARCHアプローチに対する大きな利点である。
- 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: Generative moment matching networks (GMMNs) are introduced as dependence
models for the joint innovation distribution of multivariate time series (MTS).
Following the popular copula-GARCH approach for modeling dependent MTS data, a
framework based on a GMMN-GARCH approach is presented. First, ARMA-GARCH models
are utilized to capture the serial dependence within each univariate marginal
time series. Second, if the number of marginal time series is large, principal
component analysis (PCA) is used as a dimension-reduction step. Last, the
remaining cross-sectional dependence is modeled via a GMMN, the main
contribution of this work. GMMNs are highly flexible and easy to simulate from,
which is a major advantage over the copula-GARCH approach. Applications
involving yield curve modeling and the analysis of foreign exchange-rate
returns demonstrate the utility of the GMMN-GARCH approach, especially in terms
of producing better empirical predictive distributions and making better
probabilistic forecasts.
- Abstract(参考訳): 多変量時系列(MTS)の連立革新分布の依存モデルとして生成モーメントマッチングネットワーク(GMMN)を導入する。
依存するmtsデータをモデル化する一般的なcopula-garchアプローチに従い,gmmn-garchアプローチに基づくフレームワークを提案する。
まず、ARMA-GARCHモデルを用いて、各単変量境界時系列内のシリアル依存をキャプチャする。
第二に、境界時系列の数が大きければ、主成分分析(PCA)が次元還元ステップとして用いられる。
最後に、残りの断面積依存は、この研究の主な貢献であるGMMNを介してモデル化される。
GMMNは非常に柔軟でシミュレートが容易であり、コプラ-GARCHアプローチに対する大きな利点である。
収率曲線モデリングと外国為替レートのリターン分析を含む応用は、gmmn-garchアプローチの有用性を示しており、特に、より優れた経験的予測分布を生成し、より良い確率的予測を行うという点で有用である。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳(メタデータ) (2024-02-05T03:25:04Z) - Hierarchical Joint Graph Learning and Multivariate Time Series
Forecasting [0.16492989697868887]
本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。
我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。
提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
論文 参考訳(メタデータ) (2023-11-21T14:24:21Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - The Multivariate Community Hawkes Model for Dependent Relational Events
in Continuous-time Networks [3.55528500800612]
ブロックモデル(SBM)は、ネットワークデータのための最も広く使われている生成モデルの一つである。
本稿では,マルチ変数コミュニティホークス(MULCH)モデルを提案する。
提案したMULCHモデルは,予測および予測生成タスクにおいて,既存のモデルよりもはるかに正確であることがわかった。
論文 参考訳(メタデータ) (2022-05-02T04:08:44Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳(メタデータ) (2021-11-11T14:28:12Z) - Dynamic Gaussian Mixture based Deep Generative Model For Robust
Forecasting on Sparse Multivariate Time Series [43.86737761236125]
本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。
新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。
帰納的解析を可能にするために構造化推論ネットワークも設計されている。
論文 参考訳(メタデータ) (2021-03-03T04:10:07Z) - Time Adaptive Gaussian Model [0.913755431537592]
我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。
時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
論文 参考訳(メタデータ) (2021-02-02T00:28:14Z) - Applications of multivariate quasi-random sampling with neural networks [0.0]
プロセス間の断面積依存性をモデル化するために,生成モーメントマッチングネットワーク(GMMN)を提案する。
考慮されるプロセスは幾何学的なブラウン運動とARMA-GARCHモデルです。
論文 参考訳(メタデータ) (2020-12-15T01:42:23Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。