Fugu-MT 論文翻訳(概要): Time varying regression with hidden linear dynamics

論文の概要: Time varying regression with hidden linear dynamics

arxiv url: http://arxiv.org/abs/2112.14862v1
Date: Wed, 29 Dec 2021 23:37:06 GMT
ステータス: 処理完了
システム内更新日: 2022-01-03 15:49:27.110255
Title: Time varying regression with hidden linear dynamics
Title（参考訳）: 隠れ線形ダイナミクスによる時間変化回帰
Authors: Ali Jadbabaie, Horia Mania, Devavrat Shah, Suvrit Sra
Abstract要約: 線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
参考スコア（独自算出の注目度）: 74.9914602730208
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We revisit a model for time-varying linear regression that assumes the unknown parameters evolve according to a linear dynamical system. Counterintuitively, we show that when the underlying dynamics are stable the parameters of this model can be estimated from data by combining just two ordinary least squares estimates. We offer a finite sample guarantee on the estimation error of our method and discuss certain advantages it has over Expectation-Maximization (EM), which is the main approach proposed by prior work.
Abstract（参考訳）: 線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。直観的に言うと、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定を組み合わせることでデータから推定できる。我々は,提案手法の誤差を有限サンプルで保証し,先行研究で提案される主要なアプローチである期待最大化(EM)に対する利点について論じる。

関連論文リスト

Overparameterized Multiple Linear Regression as Hyper-Curve Fitting [0.0]
線形モデルは, モデル仮定に反する非線形依存が存在する場合でも, 正確な予測を生成することが証明された。ハイパーカーブのアプローチは、予測変数のノイズに関する問題を正規化するのに特に適しており、モデルからノイズや「不適切な」予測子を取り除くのに使うことができる。
論文参考訳（メタデータ） (2024-04-11T15:43:11Z)
Estimation Sample Complexity of a Class of Nonlinear Continuous-time Systems [0.0]
本稿では, 大規模非線形系のパラメータ推定法について述べる。正規化線形回帰を用いて力学を直接反転させることにより未知パラメータを解く手法は、微分フィルタと正規化最小二乗の新たな設計と解析のアイデアに基づいている。
論文参考訳（メタデータ） (2023-12-08T21:42:11Z)
Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
論文参考訳（メタデータ） (2023-07-24T08:46:12Z)
Robust identification of non-autonomous dynamical systems using stochastic dynamics models [0.0]
本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
論文参考訳（メタデータ） (2022-12-20T16:36:23Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
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)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
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)
Kernel-based parameter estimation of dynamical systems with unknown observation functions [15.1749038371963]
低次元力学系は高次元信号として実験で観察される。時間進化を1回だけ測定することで、基礎となるシステムのパラメータを推定できるだろうか? この推定を行うための重要な情報は、信号とモデルの間の時間的相互依存性にある。
論文参考訳（メタデータ） (2020-09-09T07:29:11Z)
Bayesian System ID: Optimal management of parameter, model, and measurement uncertainty [0.0]
システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
論文参考訳（メタデータ） (2020-03-04T22:48:30Z)

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。