論文の概要: Kernel Analog Forecasting: Multiscale Test Problems
- arxiv url: http://arxiv.org/abs/2005.06623v2
- Date: Fri, 20 Nov 2020 22:49:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 13:43:17.993941
- Title: Kernel Analog Forecasting: Multiscale Test Problems
- Title（参考訳）: Kernel Analog Forecasting: マルチスケールテスト問題
- Authors: Dmitry Burov, Dimitrios Giannakis, Krithika Manohar, Andrew Stuart
- Abstract要約: カーネルアナログ予測法は、マルチスケール力学系によって生成されるデータの観点から研究される。
選ばれた問題は、平均化と均質化の両方を用いて様々なマルコフ閉包を示す。
本研究は,データ駆動予測手法を実際に使用する場合の解釈のガイダンスを提供する。
- 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: Data-driven prediction is becoming increasingly widespread as the volume of
data available grows and as algorithmic development matches this growth. The
nature of the predictions made, and the manner in which they should be
interpreted, depends crucially on the extent to which the variables chosen for
prediction are Markovian, or approximately Markovian. Multiscale systems
provide a framework in which this issue can be analyzed. In this work kernel
analog forecasting methods are studied from the perspective of data generated
by multiscale dynamical systems. The problems chosen exhibit a variety of
different Markovian closures, using both averaging and homogenization;
furthermore, settings where scale-separation is not present and the predicted
variables are non-Markovian, are also considered. The studies provide guidance
for the interpretation of data-driven prediction methods when used in practice.
- Abstract（参考訳）: データ駆動予測は、利用可能なデータの量が増加し、アルゴリズム開発がこの成長に一致するにつれて、ますます広まりつつある。
予測の性質とそれらが解釈されるべき方法は、予測のために選択された変数がマルコフ的であるか、あるいはほぼマルコフ的であるかによって決定的に左右される。
マルチスケールシステムはこの問題を分析するためのフレームワークを提供する。
本研究では,マルチスケール力学系が生成するデータの観点から,カーネルアナログ予測手法について検討する。
選択された問題は平均化とホモゲン化の両方を用いて様々な異なるマルコフ閉包を示し、さらに、スケール分離が存在せず、予測変数がマルコフでない設定も考慮される。
本研究は,データ駆動予測手法を実際に使用する場合の解釈のガイダンスを提供する。
関連論文リスト
- Penalized Generative Variable Selection [5.827768844489063]
条件付きワッサーシュタイン生成共振器ネットワークを用いたモデリング・推定について検討する。
グループラッソのペナリゼーションは、モデル推定/予測、解釈可能性、安定性などを改善する変数選択に適用される。
論文 参考訳（メタデータ） (2024-02-26T15:35:10Z) - Spatial Process Approximations: Assessing Their Necessity [5.8666339171606445]
空間統計学と機械学習では、カーネル行列は予測、分類、最大推定において重要な役割を果たす。
大規模な空間データを管理するための現在の手法のレビューでは、この悪条件問題に対処できないものもあることが示されている。
本稿では,様々な最適性基準を導入し,それぞれに解決策を提供する。
論文 参考訳（メタデータ） (2023-11-06T15:46:03Z) - Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。
我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
論文 参考訳（メタデータ） (2023-10-12T10:56:25Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
論文 参考訳（メタデータ） (2022-10-10T16:14:08Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Linear Discriminant Analysis with High-dimensional Mixed Variables [10.774094462083843]
本稿では,混合変数を用いた高次元観測の分類手法を提案する。
データを指数関数的に多くのセルに分割するという課題を克服する。
推定精度と誤分類率に関する結果が確立される。
論文 参考訳（メタデータ） (2021-12-14T03:57:56Z) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-06-09T06:56:31Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z) - Adaptive Discrete Smoothing for High-Dimensional and Nonlinear Panel
Data [4.550919471480445]
我々は高次元および非線形パネルデータモデルのためのデータ駆動平滑化手法を開発した。
重みはデータ駆動方式で決定され、対応する関数間の類似性に依存する。
我々は,推定器を用いて予測を大幅に改善できることを示すシミュレーション研究を行った。
論文 参考訳（メタデータ） (2019-12-30T09:50:58Z)
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。