論文の概要: Inference of stochastic time series with missing data
- arxiv url: http://arxiv.org/abs/2101.11816v1
- Date: Thu, 28 Jan 2021 04:56:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-01-31 18:07:44.062231
- Title: Inference of stochastic time series with missing data
- Title（参考訳）: データの欠如による確率時系列の推定
- Authors: Sangwon Lee and Vipul Periwal and Junghyo Jo
- Abstract要約: 時系列からダイナミクスを推定することは、データ分析において重要な目的である。
E-stepは欠落したデータポイントを復元し、M-stepは基盤となるネットワークモデルを推測する。
観測されたデータポイントと欠落したデータポイントの整合性を求めることは、効果的な停止基準となる。
- 参考スコア（独自算出の注目度）: 5.7656096606054374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring dynamics from time series is an important objective in data
analysis. In particular, it is challenging to infer stochastic dynamics given
incomplete data. We propose an expectation maximization (EM) algorithm that
iterates between alternating two steps: E-step restores missing data points,
while M-step infers an underlying network model of restored data. Using
synthetic data generated by a kinetic Ising model, we confirm that the
algorithm works for restoring missing data points as well as inferring the
underlying model. At the initial iteration of the EM algorithm, the model
inference shows better model-data consistency with observed data points than
with missing data points. As we keep iterating, however, missing data points
show better model-data consistency. We find that demanding equal consistency of
observed and missing data points provides an effective stopping criterion for
the iteration to prevent overshooting the most accurate model inference. Armed
with this EM algorithm with this stopping criterion, we infer missing data
points and an underlying network from a time-series data of real neuronal
activities. Our method recovers collective properties of neuronal activities,
such as time correlations and firing statistics, which have previously never
been optimized to fit.
- Abstract（参考訳）: 時系列からダイナミクスを推測することは、データ分析の重要な目的である。
特に不完全データから確率力学を推測することは困難である。
E-stepは欠落したデータポイントを復元し、M-stepは復元されたデータの基盤となるネットワークモデルを推論する。
キネティックイジングモデルによって生成された合成データを用いて,このアルゴリズムが欠落したデータ点の復元や基礎となるモデルの推定に有効であることを確認した。
emアルゴリズムの最初のイテレーションでは、モデル推論はデータポイントの欠如よりも観測されたデータポイントとのモデルデータ一貫性を示す。
しかし、繰り返し続けるにつれて、欠落したデータポイントはモデルデータの一貫性が向上します。
観測されたデータポイントと欠落したデータポイントの整合性を要求することは、最も正確なモデル推論をオーバーシュートするのを防ぐために、イテレーションの効果的な停止基準となる。
この停止基準でこのEMアルゴリズムを用いて、実際の神経活動の時系列データから欠落したデータポイントと基盤となるネットワークを推定する。
本手法は,これまで適応に最適化されていない時間相関や発火統計などのニューロン活動の集団的特性を回復する。
関連論文リスト
- Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - Learning to Reconstruct Missing Data from Spatiotemporal Graphs with
Sparse Observations [11.486068333583216]
本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。
我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。
技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
論文 参考訳（メタデータ） (2022-05-26T16:40:48Z) - Model-based Clustering with Missing Not At Random Data [0.8777702580252754]
我々は,MNARデータを含む,非常に一般的なタイプの欠落データを扱うために設計されたモデルベースのクラスタリングアルゴリズムを提案する。
いくつかのMNARモデルについて議論し、不足の原因は、欠落変数自体の値とクラスメンバーシップの両方に依存する。
MNARzと呼ばれる特定のMNARモデルに注目する。
論文 参考訳（メタデータ） (2021-12-20T09:52:12Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - FCMI: Feature Correlation based Missing Data Imputation [0.0]
本稿では,FCMIと呼ばれる相関関係に基づいて,データセットの欠落を補足する効率的な手法を提案する。
提案アルゴリズムはデータセットの高相関属性を選択し,これらの属性を用いて回帰モデルを構築する。
分類データセットと回帰データセットの両方で行った実験により,提案手法が既存の計算アルゴリズムより優れていることが示された。
論文 参考訳（メタデータ） (2021-06-26T13:35:33Z) - Deep Time Series Models for Scarce Data [8.673181404172963]
時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。
データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
論文 参考訳（メタデータ） (2021-03-16T22:16:54Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z) - Data from Model: Extracting Data from Non-robust and Robust Models [83.60161052867534]
この研究は、データとモデルの関係を明らかにするために、モデルからデータを生成する逆プロセスについて検討する。
本稿では,データ・トゥ・モデル(DtM)とデータ・トゥ・モデル(DfM)を連続的に処理し,特徴マッピング情報の喪失について検討する。
以上の結果から,DtMとDfMの複数シーケンスの後にも,特にロバストモデルにおいて精度低下が制限されることが示唆された。
論文 参考訳（メタデータ） (2020-07-13T05:27:48Z)
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。