論文の概要: Partially Hidden Markov Chain Linear Autoregressive model: inference and
forecasting
- arxiv url: http://arxiv.org/abs/2102.12584v1
- Date: Wed, 24 Feb 2021 22:12:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-27 07:06:50.302074
- Title: Partially Hidden Markov Chain Linear Autoregressive model: inference and
forecasting
- Title（参考訳）: 部分隠れマルコフ連鎖線形自己回帰モデル:推論と予測
- Authors: Fatoumata Dama and Christine Sinoquet
- Abstract要約: 体制の変化にともなう時系列は、エコノメトリー、金融、気象学といった領域に多くの関心を集めている。
i) そのような時系列に関連する状態過程は、部分的に隠れたマルコフチェーン(PHMC)によってモデル化される。
本研究では,存在時の観測状態を考慮した隠れ状態推定手法と予測関数を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series subject to change in regime have attracted much interest in
domains such as econometry, finance or meteorology. For discrete-valued
regimes, some models such as the popular Hidden Markov Chain (HMC) describe
time series whose state process is unknown at all time-steps. Sometimes, time
series are firstly labelled thanks to some annotation function. Thus, another
category of models handles the case with regimes observed at all time-steps. We
present a novel model which addresses the intermediate case: (i) state
processes associated to such time series are modelled by Partially Hidden
Markov Chains (PHMCs); (ii) a linear autoregressive (LAR) model drives the
dynamics of the time series, within each regime. We describe a variant of the
expection maximization (EM) algorithm devoted to PHMC-LAR model learning. We
propose a hidden state inference procedure and a forecasting function that take
into account the observed states when existing. We assess inference and
prediction performances, and analyze EM convergence times for the new model,
using simulated data. We show the benefits of using partially observed states
to decrease EM convergence times. A fully labelled scheme with unreliable
labels also speeds up EM. This offers promising prospects to enhance PHMC-LAR
model selection. We also point out the robustness of PHMC-LAR to labelling
errors in inference task, when large training datasets and moderate labelling
error rates are considered. Finally, we highlight the remarkable robustness to
error labelling in the prediction task, over the whole range of error rates.
- Abstract（参考訳）: 体制の変化にともなう時系列は、エコノメトリー、金融、気象学といった領域に多くの関心を集めている。
離散的に評価されたレシエーションでは、人気のあるHidden Markov Chain (HMC) のようなモデルでは、状態過程が常に未知の時系列を記述する。
時々、アノテーション機能のおかげで、時系列は最初にラベル付けされる。
このように、モデルの別のカテゴリは、すべての時間ステップで観察されるレギュレーションを扱う。
i) このような時系列に関連する状態プロセスは、部分的に隠れマルコフ連鎖 (PHMC) によってモデル化される; (ii) 線形自己回帰(LAR)モデルは、各レシエーション内で時系列のダイナミクスを駆動する。
PHMC-LARモデル学習に特化した期待最大化(EM)アルゴリズムの変種について述べる。
本研究では,存在時の観測状態を考慮した隠れ状態推定手法と予測関数を提案する。
推定と予測の性能を評価し、シミュレーションデータを用いて新しいモデルのEM収束時間を分析します。
部分的に観察された状態を用いてEM収束時間を短縮する利点を示す。
信頼できないラベルを持つ完全なラベル付きスキームもEMを高速化する。
これはPHMC-LARモデル選択を強化する有望な見通しを提供する。
また,大規模なトレーニングデータセットと適度なラベル誤り率を考慮した場合,推論タスクにおけるエラーラベリングに対するphmc-larのロバスト性も指摘する。
最後に、エラー率の全範囲にわたって、予測タスクのエラーラベリングに対する驚くべき堅牢性を強調します。
関連論文リスト
- Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。
本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
論文 参考訳（メタデータ） (2024-10-08T01:27:46Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳（メタデータ） (2023-04-07T15:17:48Z) - 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) - Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。
提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
論文 参考訳（メタデータ） (2022-05-18T09:03:00Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - 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) - Time Adaptive Gaussian Model [0.913755431537592]
我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。
時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
論文 参考訳（メタデータ） (2021-02-02T00:28:14Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Comparative Analysis of the Hidden Markov Model and LSTM: A Simulative
Approach [0.0]
マルコフ仮説が満たされていない場合でも、隠れマルコフモデルがシーケンスデータを処理する効果的な方法であることを示す。
その結果,大量のラベル付きデータが利用できない場合,教師なしマルコフモデルでさえLSTMより優れていることがわかった。
論文 参考訳（メタデータ） (2020-08-09T22:13:10Z) - Targeted stochastic gradient Markov chain Monte Carlo for hidden Markov models with rare latent states [48.705095800341944]
隠れマルコフモデルのためのマルコフ連鎖モンテカルロ (MCMC) アルゴリズムは、しばしば前向きのサンプリング器に依存する。
これにより、時系列の長さが増加するにつれて計算が遅くなり、サブサンプリングベースのアプローチの開発が動機となる。
本稿では,パラメータの勾配を計算する際に,希少な潜伏状態に対応するオーバーサンプリング観測を対象とするサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2018-10-31T17:44:20Z)
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。