Fugu-MT 論文翻訳(概要): Functional Time Series Forecasting: Functional Singular Spectrum Analysis Approaches

論文の概要: Functional Time Series Forecasting: Functional Singular Spectrum Analysis Approaches

arxiv url: http://arxiv.org/abs/2011.13077v4
Date: Tue, 26 Jan 2021 20:38:44 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 08:30:54.133767
Title: Functional Time Series Forecasting: Functional Singular Spectrum Analysis Approaches
Title（参考訳）: 関数型時系列予測:関数型特異スペクトル解析手法
Authors: Jordan Trinka and Hossein Haghbin and Mehdi Maadooliat
Abstract要約: 本稿では,関数型特異スペクトル解析とベクトル予測という,関数型時間依存データの予測に使用される2つの非パラメトリック手法を提案する。シミュレーションと実データによる機能的時間依存データの予測に使用されるゴールド標準アルゴリズムと比較し,本手法が周期的プロセスに有効であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose two nonparametric methods used in the forecasting of functional time-dependent data, namely functional singular spectrum analysis recurrent forecasting and vector forecasting. Both algorithms utilize the results of functional singular spectrum analysis and past observations in order to predict future data points where recurrent forecasting predicts one function at a time and the vector forecasting makes predictions using functional vectors. We compare our forecasting methods to a gold standard algorithm used in the prediction of functional, time-dependent data by way of simulation and real data and we find our techniques do better for periodic stochastic processes.
Abstract（参考訳）: 本稿では,機能的時間依存データの予測に使用される2つの非パラメトリック手法,すなわち機能的特異スペクトル分析の繰り返し予測とベクトル予測を提案する。どちらのアルゴリズムも関数特異スペクトル解析と過去の観測結果を用いて、再帰予測が一度に1つの関数を予測し、ベクトル予測が関数ベクトルを用いて予測する未来のデータポイントを予測する。シミュレーションと実データを用いて, 関数型, 時間依存型データの予測に用いるゴールド標準アルゴリズムと比較し, 周期的確率過程に対して, 予測手法が有効であることを確認した。

関連論文リスト

Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
論文参考訳（メタデータ） (2025-02-13T16:12:17Z)
Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では,予測符号化にインスパイアされた動的フィードバック機構を通じて時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが48.7%減少した。
論文参考訳（メタデータ） (2024-10-19T21:22:55Z)
Structured Prediction in Online Learning [66.36004256710824]
オンライン学習環境における構造化予測のための理論的・アルゴリズム的枠組みについて検討する。このアルゴリズムは教師付き学習環境からの最適アルゴリズムの一般化であることを示す。本稿では,非定常データ分布,特に逆データを含む2番目のアルゴリズムについて考察する。
論文参考訳（メタデータ） (2024-06-18T07:45:02Z)
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文参考訳（メタデータ） (2024-02-23T06:09:45Z)
Prediction of Locally Stationary Data Using Expert Advice [0.0]
継続的機械学習の課題について考察する。データフローを生成するソースの性質に関する仮定は使用されない。局所定常時系列のオンライン予測アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-30T14:48:01Z)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
Conformal Prediction Bands for Two-Dimensional Functional Time Series [0.0]
時間発展曲面は2次元関数時系列としてモデル化することができ、関数データ解析のツールを利用することができる。主な焦点は、予測問題の不確実性を定量化するために使用される多目的な非パラメトリックパラダイムであるコンフォーマル予測(英語版)を中心に展開される。 2次元関数時系列の確率的予測スキームを提示し、次数1の自己回帰過程をこの設定に拡張する。
論文参考訳（メタデータ） (2022-07-27T17:23:14Z)
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)
Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2021-02-09T07:19:19Z)
Supervised learning from noisy observations: Combining machine-learning techniques with data assimilation [0.6091702876917281]
本稿では,予測モデルと固有不確かさを,入射雑音観測と最適に組み合わせる方法について述べる。得られた予測モデルは、訓練後、計算的に安価であると同時に、極めて優れた予測能力を有することを示す。本手法は,予測タスクを超えて,確率的予測のための信頼性の高いアンサンブルを生成するとともに,マルチスケールシステムにおける効果的なモデルクロージャを学習するためにも有効であることを示す。
論文参考訳（メタデータ） (2020-07-14T22:29:37Z)
Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
論文参考訳（メタデータ） (2019-12-15T14:25:33Z)

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。