論文の概要: Context-tree weighting for real-valued time series: Bayesian inference
with hierarchical mixture models
- arxiv url: http://arxiv.org/abs/2106.03023v4
- Date: Sat, 15 Apr 2023 02:14:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 01:21:24.560321
- Title: Context-tree weighting for real-valued time series: Bayesian inference
with hierarchical mixture models
- Title（参考訳）: 実数値時系列に対するコンテキストツリー重み付け:階層混合モデルを用いたベイズ推定
- Authors: Ioannis Papageorgiou, Ioannis Kontoyiannis
- Abstract要約: 時系列の混合モデルを構築するための一般的な階層型ベイズモデリングフレームワークが開発されている。
この開発は、部分的にはコンテキストツリーの使用に基づいており、学習と推論のための効果的なアルゴリズムツールのコレクションを含んでいる。
汎用フレームワークの実用性は、自己回帰(AR)モデルが底面で使用されるときに詳細に説明され、結果として非線形AR混合モデルが得られる。
- 参考スコア（独自算出の注目度）: 8.37609145576126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-valued time series are ubiquitous in the sciences and engineering. In
this work, a general, hierarchical Bayesian modelling framework is developed
for building mixture models for times series. This development is based, in
part, on the use of context trees, and it includes a collection of effective
algorithmic tools for learning and inference. A discrete context (or 'state')
is extracted for each sample, consisting of a discretised version of some of
the most recent observations preceding it. The set of all relevant contexts are
represented as a discrete context-tree. At the bottom level, a different
real-valued time series model is associated with each context-state, i.e., with
each leaf of the tree. This defines a very general framework that can be used
in conjunction with any existing model class to build flexible and
interpretable mixture models. Extending the idea of context-tree weighting
leads to algorithms that allow for efficient, exact Bayesian inference in this
setting. The utility of the general framework is illustrated in detail when
autoregressive (AR) models are used at the bottom level, resulting in a
nonlinear AR mixture model. The associated methods are found to outperform
several state-of-the-art techniques on simulated and real-world experiments.
- Abstract（参考訳）: 実数値時系列は科学と工学においてユビキタスである。
本研究では、時系列の混合モデルを構築するための一般的な階層型ベイズモデリングフレームワークを開発する。
この開発は、部分的にはコンテキストツリーの使用に基づいており、学習と推論のための効果的なアルゴリズムツールのコレクションを含んでいる。
個別の文脈(または状態)はサンプルごとに抽出され、その前の最新の観測のいくつかの離散化されたバージョンから構成される。
すべての関連するコンテキストの集合は、個別のコンテキストツリーとして表現される。
下位レベルでは、異なる実値の時系列モデルがそれぞれの文脈状態、すなわち木の葉に関連付けられている。
これは、フレキシブルで解釈可能な混合モデルを構築するために、既存のモデルクラスと組み合わせて使用できる非常に一般的なフレームワークを定義する。
文脈木重み付けの考え方を拡張することは、この設定において効率よく正確なベイズ推定を可能にするアルゴリズムにつながる。
汎用フレームワークの実用性は、自己回帰(AR)モデルが底面で使用されるときに詳細に説明され、結果として非線形AR混合モデルが得られる。
関連する手法は、シミュレーションおよび実世界の実験において、いくつかの最先端技術よりも優れていることが判明した。
関連論文リスト
- Approximate learning of parsimonious Bayesian context trees [0.0]
提案するフレームワークは、合成および実世界のデータ例に基づいてテストされる。
これは、実際のタンパク質配列やハニーポットコンピュータターミナルセッションに適合すると、既存のシーケンスモデルより優れている。
論文 参考訳（メタデータ） (2024-07-27T11:50:40Z) - A Unified Approach to Extract Interpretable Rules from Tree Ensembles via Integer Programming [2.1408617023874443]
木アンサンブル法は、教師付き分類と回帰タスクにおいて有効であることが知られている。
我々の研究は、訓練された木アンサンブルから最適化されたルールのリストを抽出することを目的としており、利用者に凝縮された解釈可能なモデルを提供する。
論文 参考訳（メタデータ） (2024-06-30T22:33:47Z) - The Bayesian Context Trees State Space Model for time series modelling
and forecasting [8.37609145576126]
実数値時系列に対してリッチな混合モデルを開発するための階層的ベイズフレームワークが導入された。
最上位では、有意義な離散状態が、最新のサンプルの適切な定量値として特定される。
下位レベルでは、実数値時系列(ベースモデル)の異なる任意のモデルが各状態と関連付けられている。
論文 参考訳（メタデータ） (2023-08-02T02:40:42Z) - Syntactically Robust Training on Partially-Observed Data for Open
Information Extraction [25.59133746149343]
オープン情報抽出モデルは十分な監督力を持った有望な結果を示している。
そこで本研究では,統語論的に頑健な学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-17T12:39:13Z) - SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series
Forecasting [7.206754802573034]
本稿では,TARモデルと回帰木との密接な関係について検討する。
本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。
本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
論文 参考訳（メタデータ） (2022-11-16T04:30:42Z) - On the Compositional Generalization Gap of In-Context Learning [73.09193595292233]
In-distriion (ID) と Out-of-distriion (OOD) の相違について考察する。
我々は,3つの意味解析データセットを用いて,OPT,BLOOM,CodeGen,Codexの4つのモデルファミリを評価する。
論文 参考訳（メタデータ） (2022-11-15T19:56:37Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Partial Order in Chaos: Consensus on Feature Attributions in the
Rashomon Set [50.67431815647126]
ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。
この手法により局所的・言語的特徴の半順序が生じることを示す。
これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
論文 参考訳（メタデータ） (2021-10-26T02:53:14Z) - Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。
我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
論文 参考訳（メタデータ） (2021-06-20T02:15:20Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z) - On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。
異なる家族間でのモデルランキングの相関はみられない。
論文 参考訳（メタデータ） (2020-02-17T20:13:35Z)
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。