論文の概要: Learning summary features of time series for likelihood free inference
- arxiv url: http://arxiv.org/abs/2012.02807v1
- Date: Fri, 4 Dec 2020 19:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 23:53:22.188218
- Title: Learning summary features of time series for likelihood free inference
- Title(参考訳): 確率自由推論のための時系列の学習概要特徴
- Authors: Pedro L. C. Rodrigues, Alexandre Gramfort
- Abstract要約: 時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
- 参考スコア(独自算出の注目度): 93.08098361687722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There has been an increasing interest from the scientific community in using
likelihood-free inference (LFI) to determine which parameters of a given
simulator model could best describe a set of experimental data. Despite
exciting recent results and a wide range of possible applications, an important
bottleneck of LFI when applied to time series data is the necessity of defining
a set of summary features, often hand-tailored based on domain knowledge. In
this work, we present a data-driven strategy for automatically learning summary
features from univariate time series and apply it to signals generated from
autoregressive-moving-average (ARMA) models and the Van der Pol Oscillator. Our
results indicate that learning summary features from data can compete and even
outperform LFI methods based on hand-crafted values such as autocorrelation
coefficients even in the linear case.
- Abstract(参考訳): 特定のシミュレーターモデルのどのパラメータが実験データの集合を最もよく記述できるかを決定するために、LFI ( chance-free inference) を使うことに対する科学界からの関心が高まっている。
最近のエキサイティングな結果と広範囲のアプリケーションにもかかわらず、時系列データに適用する際のLFIの重要なボトルネックは、ドメイン知識に基づいて手作業で調整される一連の要約機能を定義する必要があることである。
本研究では,不定時系列から要約特徴を自動的に学習し,自己回帰移動平均(arma)モデルとファンデルpol発振器から生成された信号に適用するデータ駆動戦略を提案する。
その結果,データからの要約特徴の学習は,線形の場合においても自己相関係数などの手作り値に基づくlfi手法よりも優れることがわかった。
関連論文リスト
- FFAD: A Novel Metric for Assessing Generated Time Series Data Utilizing
Fourier Transform and Auto-encoder [9.103662085683304]
Fr'echet Inception Distance (FID) は画像合成における生成モデルを評価する標準的な指標である。
本研究は,Fr'echet Fourier-transform Auto-Encoder Distance (FFAD) と呼ばれるフーリエ変換とオートエンコーダを利用した新しい解を提案する。
実験結果から,異なるクラスから標本を効果的に識別するFFADの可能性を示す。
論文 参考訳(メタデータ) (2024-03-11T10:26:04Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data
Selection for Instruction Tuning [54.222609226692015]
我々は大規模言語モデルのための自己誘導手法を導入し、大規模なオープンソースデータセットからサクラサンプルを自律的に識別し、選択する。
私たちの重要なイノベーションであるIFD(Instruction-Following Difficulty)メトリックは、モデルが期待する応答と自動生成技術との間の相違を識別するための重要なツールとして現れます。
論文 参考訳(メタデータ) (2023-08-23T09:45:29Z) - MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。
実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-03T09:08:47Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳(メタデータ) (2023-05-22T17:02:15Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - Can LMs Generalize to Future Data? An Empirical Analysis on Text
Summarization [50.20034493626049]
最近の学習済み言語モデル(PLM)は、既存の抽象的な要約データセットにおいて有望な結果をもたらす。
既存の要約ベンチマークは、標準の事前学習コーパスと微調整データセットと時間的に重複する。
要約モデルに格納されたパラメトリック知識は、将来のデータに対する生成した要約の忠実度に大きく影響することを示す。
論文 参考訳(メタデータ) (2023-05-03T08:08:07Z) - Using Time-Series Privileged Information for Provably Efficient Learning
of Prediction Models [6.7015527471908625]
本研究では,学習中に特権情報を利用する教師付きモデルを用いて,今後の成果を予測する。
特権情報は、予測の基準時間と将来の結果の間に観察される時系列のサンプルを含む。
我々のアプローチは、特にデータが不足している場合に、古典的な学習よりも好まれることを示す。
論文 参考訳(メタデータ) (2021-10-28T10:07:29Z) - Approximate Bayesian Computation with Path Signatures [0.5156484100374059]
本稿では,時系列データ間の距離を構築するための自然候補としてパスシグネチャを導入する。
実験により, 従来の時系列モデルよりも高精度なベイズ後方推定が可能であることが示された。
論文 参考訳(メタデータ) (2021-06-23T17:25:43Z) - Towards Synthetic Multivariate Time Series Generation for Flare
Forecasting [5.098461305284216]
データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。
本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
論文 参考訳(メタデータ) (2021-05-16T22:23:23Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。