論文の概要: Kernels for time series with irregularly-spaced multivariate observations

• arxiv url: http://arxiv.org/abs/2004.08545v1
• Date: Sat, 18 Apr 2020 07:51:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 04:59:45.602600
• Title: Kernels for time series with irregularly-spaced multivariate observations
• Title（参考訳）: 不規則空間多変量観測による時系列のカーネル
• Authors: Ahmed Guecioueur and Franz J. Kir\'aly
• Abstract要約: 我々は、不規則に空間化された時系列を表すのに十分な「系列カーネル」が、よく知られた「ベクトルカーネル」から構築されることを示す。 我々のシリーズカーネルは、より伝統的な時系列分類に使われ、その性能は代替手法と広く一致していることを示す。
• 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: Time series are an interesting frontier for kernel-based methods, for the simple reason that there is no kernel designed to represent them and their unique characteristics in full generality. Existing sequential kernels ignore the time indices, with many assuming that the series must be regularly-spaced; some such kernels are not even psd. In this manuscript, we show that a "series kernel" that is general enough to represent irregularly-spaced multivariate time series may be built out of well-known "vector kernels". We also show that all series kernels constructed using our methodology are psd, and are thus widely applicable. We demonstrate this point by formulating a Gaussian process-based strategy - with our series kernel at its heart - to make predictions about test series when given a training set. We validate the strategy experimentally by estimating its generalisation error on multiple datasets and comparing it to relevant baselines. We also demonstrate that our series kernel may be used for the more traditional setting of time series classification, where its performance is broadly in line with alternative methods.
• Abstract（参考訳）: 時系列はカーネルベースの手法にとって興味深いフロンティアであり、それらを表現するために設計されたカーネルが存在しないという単純な理由と、それらの特徴が完全な一般性を持つためである。 既存のシーケンシャルカーネルは時間指標を無視し、列は周期的に空間化されなければならないと仮定することが多い。 本稿では、不規則な空間を持つ多変量時系列を表現するのに十分な「系列カーネル」が、よく知られた「ベクトルカーネル」から構築されることを示す。 また,本手法を用いて構築した全てのシリーズカーネルはpsdであり,広く適用可能であることを示す。 この点を、ガウスのプロセスベースの戦略 - シリーズカーネルを中心に - を定式化し、トレーニングセットが与えられたときのテストシリーズについて予測する。 我々は,複数のデータセット上での一般化誤差を推定し,関連するベースラインと比較することにより,その戦略を実験的に検証する。 また,我々の時系列カーネルは,従来の時系列分類において,その性能が他の手法と概ね一致している場合に適用可能であることを実証した。

関連論文リスト

• 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)
• Consistent Interpolating Ensembles via the Manifold-Hilbert Kernel [11.759162160620678]
  我々は、訓練データを同時に補間するアンサンブル分類法を考案し、幅広いデータ分布のクラスに一貫性を持たせる。 球面に対して、多様体ヒルベルト核は重み付きランダムパーティションカーネルとして実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-19T06:40:21Z)
• S-Rocket: Selective Random Convolution Kernels for Time Series Classification [36.9596657353794]
  ランダム畳み込みカーネル変換(Rocket)は、時系列特徴抽出のための高速で効率的で斬新なアプローチである。 計算複雑性を減らし、Rocketの推論を加速するためには、最も重要なカーネルを選択し、冗長で重要でないカーネルを刈り取る必要がある。 最重要なカーネルを選択するために、集団ベースのアプローチが提案されている。
  論文  参考訳（メタデータ） (2022-03-07T15:02:12Z)
• Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
  オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。 穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。 また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2022-02-01T17:46:51Z)
• Learning dynamical systems from data: A simple cross-validation perspective, part III: Irregularly-Sampled Time Series [8.918419734720613]
  データから動的システムを学ぶためのシンプルで解釈可能な方法は、ベクトル場とカーネルを補間することである。 以前の成功にもかかわらず、この戦略は観測された時系列が定期的に時間内にサンプリングされないときに崩壊する。 本稿では,KFデータ適応カーネルの時間差を組み込むことで,動的システムのベクトル場を直接近似することで,この問題に対処する。
  論文  参考訳（メタデータ） (2021-11-25T11:45:40Z)
• Fast Sketching of Polynomial Kernels of Polynomial Degree [61.83993156683605]
  他のカーネルはしばしばテイラー級数展開を通じてカーネルによって近似されるので、カーネルは特に重要である。 スケッチの最近の技術は、カーネルの$q$という難解な程度に実行時間に依存することを減らしている。 我々は、この実行時間を大幅に改善する新しいスケッチを、先頭の注文項で$q$への依存を取り除くことで提供します。
  論文  参考訳（メタデータ） (2021-08-21T02:14:55Z)
• Kernel Continual Learning [117.79080100313722]
  カーネル連続学習は、破滅的な忘れ事に取り組むための、シンプルだが効果的な連続学習の変種である。 エピソードメモリユニットは、カーネルリッジ回帰に基づいてタスク固有の分類器を学ぶために、各タスクのサンプルのサブセットを格納する。 タスク毎にデータ駆動カーネルを学ぶための変動ランダム機能。
  論文  参考訳（メタデータ） (2021-07-12T22:09:30Z)
• Kernel Identification Through Transformers [54.3795894579111]
  カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。 この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。 KITT: Kernel Identification through Transformersを提案する。
  論文  参考訳（メタデータ） (2021-06-15T14:32:38Z)
• Learning Compositional Sparse Gaussian Processes with a Shrinkage Prior [26.52863547394537]
  本稿では,カーネル選択のスパーシティをホースシュープリアーで処理することにより,カーネル構成を学習するための新しい確率論的アルゴリズムを提案する。 本モデルは,計算時間を大幅に削減した時系列特性をキャプチャし,実世界のデータセット上での競合回帰性能を有する。
  論文  参考訳（メタデータ） (2020-12-21T13:41:15Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Generalized vec trick for fast learning of pairwise kernel models [3.867363075280544]
  本稿では、オブジェクト間の関係に関する事前知識を組み込むために提案されている、ペアワイズカーネルの包括的なレビューを紹介する。 レビューされたすべてのカーネルがKronecker製品の和として表現できることを示し、一般化されたvecトリックを使用して計算を高速化する。
  論文  参考訳（メタデータ） (2020-09-02T13:27:51Z)

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。