論文の概要: Bayesian Feature Selection in Joint Quantile Time Series Analysis
- arxiv url: http://arxiv.org/abs/2010.01654v3
- Date: Tue, 29 Aug 2023 13:58:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 19:38:08.346480
- Title: Bayesian Feature Selection in Joint Quantile Time Series Analysis
- Title(参考訳): 連立量子時系列解析におけるベイズの特徴選択
- Authors: Ning Ning
- Abstract要約: 本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。
QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。
QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
- 参考スコア(独自算出の注目度): 1.2419096638953384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantile feature selection over correlated multivariate time series data has
always been a methodological challenge and is an open problem. In this paper,
we propose a general Bayesian dimension reduction methodology for feature
selection in high-dimensional joint quantile time series analysis, under the
name of the quantile feature selection time series (QFSTS) model. The QFSTS
model is a general structural time series model, where each component yields an
additive contribution to the time series modeling with direct interpretations.
Its flexibility is compound in the sense that users can add/deduct components
for each time series and each time series can have its own specific valued
components of different sizes. Feature selection is conducted in the quantile
regression component, where each time series has its own pool of
contemporaneous external predictors allowing nowcasting. Bayesian methodology
in extending feature selection to the quantile time series research area is
developed using multivariate asymmetric Laplace distribution, spike-and-slab
prior setup, the Metropolis-Hastings algorithm, and the Bayesian model
averaging technique, all implemented consistently in the Bayesian paradigm. The
QFSTS model requires small datasets to train and converges fast. Extensive
examinations confirmed that the QFSTS model has superior performance in feature
selection, parameter estimation, and forecast.
- Abstract(参考訳): 相関した多変量時系列データによる質的特徴選択は常に方法論的な課題であり、オープンな問題である。
本稿では,高次元ジョイント量子化時系列解析における特徴選択のための一般ベイズ次元削減手法について,量子化特徴選択時系列モデル (QFSTS) の名称を用いて提案する。
QFSTSモデルは一般的な構造的時系列モデルであり、各コンポーネントは直接解釈を伴う時系列モデリングに付加的な寄与を与える。
その柔軟性は、ユーザが各時系列のコンポーネントを追加/デダクトできるという意味で複雑で、各時系列は、それぞれ異なる大きさの特定のコンポーネントを持つことができる。
特徴選択は量子回帰成分(英語版)で行われ、各時系列は、現在放送可能な同時外部予測器のプールを持つ。
多変量非対称ラプラス分布、スパイク・アンド・スラブ前設定、メトロポリス・ハスティングスアルゴリズム、ベイズモデル平均化手法を用いて、質的時系列研究領域への特徴選択を拡張するベイズ手法を開発した。
qfstsモデルは、トレーニングと収束に小さなデータセットを必要とする。
その結果,QFSTSモデルは特徴選択,パラメータ推定,予測において優れた性能を示した。
関連論文リスト
- Unified Training of Universal Time Series Forecasting Transformers [110.79681024473159]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-04T20:00:45Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - A Pattern Discovery Approach to Multivariate Time Series Forecasting [27.130141538089152]
モデル複雑性は時系列の長さとともに指数関数的に増加するので、最先端のディープラーニング手法はフルタイムのモデルの構築に失敗する。
本稿では,多種多様な時系列パターンを自動的にキャプチャできる新しいパターン探索手法を提案する。
また,学習可能な相関行列を提案し,複数の時系列間の相関関係をモデル化する。
論文 参考訳(メタデータ) (2022-12-20T14:54:04Z) - 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) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - Instance-wise Graph-based Framework for Multivariate Time Series
Forecasting [69.38716332931986]
我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。
私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
論文 参考訳(メタデータ) (2021-09-14T07:38:35Z) - The mbsts package: Multivariate Bayesian Structural Time Series Models
in R [2.8935588665357086]
本稿では,MBSTSモデリングにおけるRパッケージmbstsの使い方を示す。
MBSTSモデルには幅広い応用があり、特徴選択、時系列予測、現在放送、因果的影響の推測などに最適である。
論文 参考訳(メタデータ) (2021-06-26T15:28:38Z) - Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。
TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。
私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
論文 参考訳(メタデータ) (2021-03-15T08:12:19Z) - On Multivariate Singular Spectrum Analysis and its Variants [23.517864567789353]
本稿では,多変量特異解析 (mSSA) の変種を導入,解析する。
我々は、計算とサンプル外予測の両方に対して平均2乗誤差を1/sqrtmin(N, T )T$として効果的に設定する。
ベンチマークデータセットでは、我々のmSSAの変種は最先端のニューラルネットワーク時系列手法と競合する。
論文 参考訳(メタデータ) (2020-06-24T03:17:01Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳(メタデータ) (2020-05-01T07:46:29Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳(メタデータ) (2020-01-02T18:48:29Z)
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。