Fugu-MT 論文翻訳(概要): General Hannan and Quinn Criterion for Common Time Series

論文の概要: General Hannan and Quinn Criterion for Common Time Series

arxiv url: http://arxiv.org/abs/2101.04210v1
Date: Mon, 11 Jan 2021 22:03:02 GMT
ステータス: 処理完了
システム内更新日: 2021-04-04 14:45:26.576793
Title: General Hannan and Quinn Criterion for Common Time Series
Title（参考訳）: ハンナン将軍とクイン氏 : 共通時系列の基準
Authors: Kare Kamila
Abstract要約: 本稿では,大規模時系列プロセスにおけるデータ駆動モデル選択基準について検討する。我々は,強い一貫性を享受する適応基準を設計するという課題に取り組んだ。提案された基準は、ハンナンとクインの基準に類似したペナル化コントラストの最小化に基づいている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper aims to study data driven model selection criteria for a large class of time series, which includes ARMA or AR($\infty$) processes, as well as GARCH or ARCH($\infty$), APARCH and many others processes. We tackled the challenging issue of designing adaptive criteria which enjoys the strong consistency property. When the observations are generated from one of the aforementioned models, the new criteria, select the true model almost surely asymptotically. The proposed criteria are based on the minimization of a penalized contrast akin to the Hannan and Quinn's criterion and then involved a term which is known for most classical time series models and for more complex models, this term can be data driven calibrated. Monte-Carlo experiments and an illustrative example on the CAC 40 index are performed to highlight the obtained results.
Abstract（参考訳）: 本稿では、ARMAやAR($\infty$)プロセス、GARCHやARCH($\infty$)、APARCHなどの多くのプロセスを含む、大規模な時系列のデータ駆動モデル選択基準を検討することを目的とする。我々は,強い一貫性を享受する適応基準を設計するという課題に取り組んだ。上記のモデルのうちの1つから観測が生成されるとき、新しい基準は、ほぼ確実に漸近的に真のモデルを選択する。提案された基準は、ハンナンとクインの基準に類似したペナル化されたコントラストの最小化に基づいており、その後、ほとんどの古典的な時系列モデルやより複雑なモデルで知られている用語を含む。 CAC40指数のモンテカルロ実験と図示例を行い、得られた結果を強調した。

関連論文リスト

LLM-enhanced Reranking in Recommender Systems [49.969932092129305]
リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
論文参考訳（メタデータ） (2024-06-18T09:29:18Z)
Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
論文参考訳（メタデータ） (2024-04-04T10:54:38Z)
On the Laplace Approximation as Model Selection Criterion for Gaussian Processes [6.990493129893112]
ラプラス近似に基づく複数の指標を導入する。実験により、我々のメトリクスはゴールド標準の動的ネストサンプリングに匹敵する品質を示している。
論文参考訳（メタデータ） (2024-03-14T09:28:28Z)
Random Models for Fuzzy Clustering Similarity Measures [0.0]
Adjusted Rand Index (ARI) は、ハードクラスタリングを比較するために広く使われている手法である。本稿では,ハードクラスタリングとファジィクラスタリングの両方に対して直感的で説明可能な3つのランダムモデルを用いて,ARIを計算するための単一のフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-16T00:07:04Z)
Causal Q-Aggregation for CATE Model Selection [24.094860486378167]
二重ロバストな損失を用いたQaggregationに基づく新しいCATEアンサンブル手法を提案する。本研究の主な成果は,因果的Q集合が統計的に最適なモデル選択後悔率を達成することである。
論文参考訳（メタデータ） (2023-10-25T19:27:05Z)
Data-driven Preference Learning Methods for Sorting Problems with Multiple Temporal Criteria [17.673512636899076]
本研究では,時間的基準が存在する場合の複数基準ソート問題に対する新しい選好学習手法を提案する。スケーラビリティを向上し、学習可能な時間割引要素に対応するため、新しい単調リカレントニューラルネットワーク(mRNN)を導入する。提案するmRNNは、時間とともに、限界値関数とパーソナライズされた時間割引係数を記述することにより、好みのダイナミクスを記述することができる。
論文参考訳（メタデータ） (2023-09-22T05:08:52Z)
The Interpolating Information Criterion for Overparameterized Models [49.283527214211446]
補間情報基準(Interpolating Information Criterion)は,モデル選択に事前選択を自然に取り入れたモデル品質の尺度であることを示す。我々の新しい情報基準は、モデルの事前の誤特定、幾何学的およびスペクトル的特性を考慮に入れており、既知の経験的および理論的挙動と数値的に一致している。
論文参考訳（メタデータ） (2023-07-15T12:09:54Z)
On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-09T17:12:32Z)
Likelihood-free Model Choice for Simulator-based Models with the Jensen--Shannon Divergence [0.9884867402204268]
JSD-Razorと呼ばれる可能性のない設定に対する一貫したスコアリング基準を導出する。 JSD-Razorと確率ベースアプローチの確立された評価基準との関係を解析した。
論文参考訳（メタデータ） (2022-06-08T18:16:00Z)
Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文参考訳（メタデータ） (2021-01-02T02:11:37Z)
Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。