論文の概要: Markov Modeling of Time-Series Data using Symbolic Analysis
- arxiv url: http://arxiv.org/abs/2103.11238v1
- Date: Sat, 20 Mar 2021 20:31:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 10:47:02.876273
- Title: Markov Modeling of Time-Series Data using Symbolic Analysis
- Title（参考訳）: 記号解析を用いた時系列データのマルコフモデリング
- Authors: Devesh K. Jha
- Abstract要約: 離散過程の離散化とメモリ推定のためのさまざまな手法を検討します。
情報理論と統計学習の概念を用いた動的システム理論と順序推定からの分割に関する文献からいくつかの結果を紹介します。
- 参考スコア（独自算出の注目度）: 8.522582405896653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Markov models are often used to capture the temporal patterns of sequential
data for statistical learning applications. While the Hidden Markov
modeling-based learning mechanisms are well studied in literature, we analyze a
symbolic-dynamics inspired approach. Under this umbrella, Markov modeling of
time-series data consists of two major steps -- discretization of continuous
attributes followed by estimating the size of temporal memory of the
discretized sequence. These two steps are critical for the accurate and concise
representation of time-series data in the discrete space. Discretization
governs the information content of the resultant discretized sequence. On the
other hand, memory estimation of the symbolic sequence helps to extract the
predictive patterns in the discretized data. Clearly, the effectiveness of
signal representation as a discrete Markov process depends on both these steps.
In this paper, we will review the different techniques for discretization and
memory estimation for discrete stochastic processes. In particular, we will
focus on the individual problems of discretization and order estimation for
discrete stochastic process. We will present some results from literature on
partitioning from dynamical systems theory and order estimation using concepts
of information theory and statistical learning. The paper also presents some
related problem formulations which will be useful for machine learning and
statistical learning application using the symbolic framework of data analysis.
We present some results of statistical analysis of a complex thermoacoustic
instability phenomenon during lean-premixed combustion in jet-turbine engines
using the proposed Markov modeling method.
- Abstract（参考訳）: マルコフモデルは、統計学習アプリケーションのためのシーケンシャルデータの時間パターンを捉えるためにしばしば用いられる。
隠れマルコフモデリングに基づく学習メカニズムは文献でよく研究されているが、記号力学にインスパイアされたアプローチを解析する。
この傘の下では、マルコフの時系列データのモデリングは2つの主要なステップから成り、連続的な属性の離散化と、離散化されたシーケンスの時間記憶の大きさを推定する。
これら2つのステップは、離散空間における時系列データの正確かつ簡潔な表現に不可欠である。
離散化は、結果の離散化シーケンスの情報内容を管理する。
一方、シンボルシーケンスのメモリ推定は、離散化されたデータの予測パターンを抽出するのに役立ちます。
離散マルコフ過程としての信号表現の有効性はどちらのステップにも依存する。
本稿では,離散確率過程における離散化とメモリ推定の異なる手法について概説する。
特に、離散確率過程における離散化と順序推定の個々の問題に焦点を当てる。
本稿では,情報理論と統計学習の概念を用いた力学系理論の分割と順序推定に関する文献からの結果を紹介する。
また,データ解析のシンボリックフレームワークを用いて,機械学習や統計学習に有用な,関連する問題定式化についても述べる。
提案手法を用いたジェットタービンエンジンのリーン予混合燃焼における複素熱音響不安定現象の統計的解析結果について述べる。
関連論文リスト
- Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - 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) - Information Theory Inspired Pattern Analysis for Time-series Data [60.86880787242563]
時系列データのパターンを識別・学習するために,情報理論に基づく特徴量を用いた高度に一般化可能な手法を提案する。
状態遷移を持つ応用では、シャノンのマルコフ鎖のエントロピー、マルコフ鎖のエントロピー率、マルコフ鎖のフォン・ノイマンエントロピーに基づいて特徴が展開される。
その結果,提案した情報理論に基づく特徴は,ベースラインモデルと比較して,リコール率,F1スコア,平均精度を最大23.01%向上させることがわかった。
論文 参考訳（メタデータ） (2023-02-22T21:09:35Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Wasserstein multivariate auto-regressive models for modeling distributional time series [0.0]
多変量分布時系列の統計解析のための新しい自己回帰モデルを提案する。
このようなモデルの解の存在、特異性、定常性に関する結果が提供される。
また,本手法を各国の年齢分布から得られたデータ集合に適用した。
論文 参考訳（メタデータ） (2022-07-12T10:18:36Z) - 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) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - 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) - 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。