論文の概要: Universal time-series forecasting with mixture predictors
- arxiv url: http://arxiv.org/abs/2010.00297v1
- Date: Thu, 1 Oct 2020 10:56:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 07:07:35.082618
- Title: Universal time-series forecasting with mixture predictors
- Title（参考訳）: 混合予測器を用いたユニバーサル時系列予測
- Authors: Daniil Ryabko
- Abstract要約: この本は、逐次確率予測の問題、すなわち、過去から与えられた一連の観測結果の次の結果の確率を予測することに集中している。
主な対象は混合予測器であり、これは他の予測器の有限あるいは無限の集合の組み合わせとして形成される。
結果は、この方法の普遍性を、非常に一般的な確率的設定で示すが、その制限も示している。
- 参考スコア（独自算出の注目度）: 10.812772606528172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This book is devoted to the problem of sequential probability forecasting,
that is, predicting the probabilities of the next outcome of a growing sequence
of observations given the past. This problem is considered in a very general
setting that unifies commonly used probabilistic and non-probabilistic
settings, trying to make as few as possible assumptions on the mechanism
generating the observations. A common form that arises in various formulations
of this problem is that of mixture predictors, which are formed as a
combination of a finite or infinite set of other predictors attempting to
combine their predictive powers. The main subject of this book are such mixture
predictors, and the main results demonstrate the universality of this method in
a very general probabilistic setting, but also show some of its limitations.
While the problems considered are motivated by practical applications,
involving, for example, financial, biological or behavioural data, this
motivation is left implicit and all the results exposed are theoretical.
The book targets graduate students and researchers interested in the problem
of sequential prediction, and, more generally, in theoretical analysis of
problems in machine learning and non-parametric statistics, as well as
mathematical and philosophical foundations of these fields.
The material in this volume is presented in a way that presumes familiarity
with basic concepts of probability and statistics, up to and including
probability distributions over spaces of infinite sequences. Familiarity with
the literature on learning or stochastic processes is not required.
- Abstract（参考訳）: この本は、逐次確率予測の問題、すなわち、過去から与えられた一連の観測結果の次の結果の確率を予測することに集中している。
この問題は、一般的に用いられる確率的および非確率的設定を統一する非常に一般的な設定において考慮され、観測を生成するメカニズムに関する仮定をできるだけ少なくしようとする。
この問題の様々な定式化で生じる一般的な形式は混合予測器であり、これはそれらの予測力を結合しようとする他の予測器の有限または無限の集合の組み合わせとして形成される。
この本の主な主題はそのような混合予測器であり、本手法の普遍性を非常に一般的な確率的設定で示しているが、その限界もいくつか示している。
検討された問題は、例えば財務データ、生物学的データ、行動データなどの実践的な応用によって動機付けられているが、このモチベーションは暗黙に残され、露呈されたすべての結果は理論的である。
本書は、逐次予測の問題に関心を持つ大学院生や研究者を対象とし、より一般的には、機械学習や非パラメトリック統計学における問題の理論的分析や、これらの分野の数学的および哲学的基礎である。
この体積の材料は、無限列の空間上の確率分布を含む確率と統計の基本的な概念に精通していると仮定する方法で提示される。
学習や確率過程に関する文献に精通する必要はない。
関連論文リスト
- Theoretical Foundations of Conformal Prediction [15.884682750072399]
コンフォーマルな予測と関連する推論技術は、多様なタスクの配列で有用である。
コンフォーマル予測の主な魅力は、正式な有限サンプル保証を提供する能力である。
本書の目的は、共形予測を研究する際に生じる基本的な技術的議論について読者に教えることである。
論文 参考訳（メタデータ） (2024-11-18T18:44:00Z) - Prediction Instability in Machine Learning Ensembles [0.0]
我々は、任意のアンサンブルが以下の予測不安定性の少なくとも1つの形式を示すことを示す定理を証明している。
基礎となるすべてのモデル間の合意を無視したり、基礎となるモデルが存在しない場合、その考えを変更したり、実際に予測することのないオプションを除外したりすることで、操作可能になります。
この分析はまた、特定のアンサンブルアルゴリズムから予測される特定の形の予測不安定性にも光を当てている。
論文 参考訳（メタデータ） (2024-07-03T15:26:02Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - A Mathematical Framework for Learning Probability Distributions [0.0]
生成的モデリングと密度推定は 近年 非常にポピュラーな話題になっています
本論文は、すべての有名なモデルを単純な原理に基づいて導出できる数学的枠組みを提供する。
特に,これらのモデルが訓練中に暗黙的な正規化を楽しむことを証明し,早期停止時の一般化誤差が次元性の呪いを避ける。
論文 参考訳（メタデータ） (2022-12-22T04:41:45Z) - Risk Measures and Upper Probabilities: Coherence and Stratification [7.88657961743755]
機械学習の数学的基礎として、古典的確率論のより豊かな代替を考察する。
スペクトルリスク測度、チョーケ積分、ローレンツノルムといった、強力で豊富な代替アグリゲーション汎函数について検討する。
我々は、この新しい不確実性に対するアプローチが、実践的な機械学習問題に取り組むのにどのように役立つかを実証的に示す。
論文 参考訳（メタデータ） (2022-06-07T11:08:16Z) - A Top-Down Approach to Hierarchically Coherent Probabilistic Forecasting [21.023456590248827]
注意に基づく新しいRNNモデルを用いて、各親予測が任意の時点において、その子ノード間で分割される割合の分布を学習する。
結果の予測はトップダウンで計算され、自然にコヒーレントである。
論文 参考訳（メタデータ） (2022-04-21T21:32:28Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳（メタデータ） (2021-06-03T08:32:13Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-03T14:57:24Z) - 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)
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。