論文の概要: Randomized Signature Layers for Signal Extraction in Time Series Data
- arxiv url: http://arxiv.org/abs/2201.00384v1
- Date: Sun, 2 Jan 2022 17:37:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 21:04:09.938059
- Title: Randomized Signature Layers for Signal Extraction in Time Series Data
- Title（参考訳）: 時系列データにおける信号抽出のためのランダム化署名層
- Authors: Enea Monzio Compagnoni, Luca Biggio, Antonio Orvieto, Thomas Hofmann,
Josef Teichmann
- Abstract要約: 時系列分析は、自然科学、社会科学、工学において広く行われている課題である。
本稿では,経路のシグナチャを特徴写像として用いた最近の研究に基づいて,これらの特徴を線形乱射影に基づいて近似する計算効率の良い手法について検討する。
本稿では,(1)微分方程式の制御を対応する解にマッピングすること,(2)分類タスクの時系列表現としてランダム化シグナチャを用いることなど,いくつかのタスクにおけるランダムな特徴の驚くべき性能を示す。
- 参考スコア（独自算出の注目度）: 24.508592402313653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series analysis is a widespread task in Natural Sciences, Social
Sciences, and Engineering. A fundamental problem is finding an expressive yet
efficient-to-compute representation of the input time series to use as a
starting point to perform arbitrary downstream tasks. In this paper, we build
upon recent works that use the Signature of a path as a feature map and
investigate a computationally efficient technique to approximate these features
based on linear random projections. We present several theoretical results to
justify our approach and empirically validate that our random projections can
effectively retrieve the underlying Signature of a path. We show the surprising
performance of the proposed random features on several tasks, including (1)
mapping the controls of stochastic differential equations to the corresponding
solutions and (2) using the Randomized Signatures as time series representation
for classification tasks. When compared to corresponding truncated Signature
approaches, our Randomizes Signatures are more computationally efficient in
high dimensions and often lead to better accuracy and faster training. Besides
providing a new tool to extract Signatures and further validating the high
level of expressiveness of such features, we believe our results provide
interesting conceptual links between several existing research areas,
suggesting new intriguing directions for future investigations.
- Abstract（参考訳）: 時系列分析は自然科学、社会科学、工学において広く行われている。
基本的な問題は、任意の下流タスクを実行する出発点として使用する入力時系列の表現的かつ効率的で計算的な表現を見つけることである。
本稿では,経路のシグネチャを特徴写像として用いる最近の研究と,それらの特徴を線形ランダム射影に基づいて近似する計算効率の高い手法について検討する。
提案手法を正当化するための理論的な結果をいくつか提示し,ランダム射影が経路の基盤となるシグネチャを効果的に取得できることを実証的に検証する。
本稿では,(1)確率微分方程式の制御を対応する解にマッピングすること,(2)分類タスクの時系列表現としてランダム化符号を用いることなど,いくつかのタスクにおけるランダムな特徴の驚くべき性能を示す。
truncated Signatureアプローチと比較すると、Randomizes Signaturesは高次元での計算効率が良く、精度が良く、訓練も速い。
署名を抽出する新たなツールの提供に加えて,これらの特徴の高レベルな表現性を検証し,既存のいくつかの研究領域間の興味深い概念的リンクを提供し,今後の研究への新たな関心を喚起する。
関連論文リスト
- Safe Active Learning for Time-Series Modeling with Gaussian Processes [7.505622158856545]
時系列モデルの学習はシミュレーションや予測といった多くのアプリケーションに有用である。
本研究では,安全制約を考慮した時系列モデルを積極的に学習する問題について考察する。
提案手法は,入力空間を動的に探索することにより,時系列モデル学習に適したデータ,すなわち入力と出力の軌跡を生成する。
論文 参考訳（メタデータ） (2024-02-09T09:40:33Z) - Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。
このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
論文 参考訳（メタデータ） (2024-01-29T03:42:37Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳（メタデータ） (2022-10-14T20:37:36Z) - Toward Learning Robust and Invariant Representations with Alignment
Regularization and Data Augmentation [76.85274970052762]
本論文はアライメント正則化の選択肢の増大を動機としている。
我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。
我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
論文 参考訳（メタデータ） (2022-06-04T04:29:19Z) - Deep Active Learning with Noise Stability [24.54974925491753]
ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。
本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。
本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
論文 参考訳（メタデータ） (2022-05-26T13:21:01Z) - Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。
提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文 参考訳（メタデータ） (2022-04-23T02:45:55Z) - Time Series Forecasting with Ensembled Stochastic Differential Equations
Driven by L\'evy Noise [2.3076895420652965]
我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。
まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。
次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
論文 参考訳（メタデータ） (2021-11-25T16:49:01Z) - Extracting stochastic dynamical systems with $\alpha$-stable L\'evy
noise from data [14.230182518492311]
本稿では,短時間のバーストデータから$$alpha$-stable L'evyノイズを持つシステムを抽出するデータ駆動方式を提案する。
より具体的には、最初にL'evyジャンプ測度と雑音強度を推定する。
次に,非局所クラマース・モヤル式と正規化流を組み合わせることでドリフト係数を近似する。
論文 参考訳（メタデータ） (2021-09-30T06:57:42Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳（メタデータ） (2020-06-11T16:36:31Z)
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。