論文の概要: Time Series of Non-Additive Metrics: Identification and Interpretation
of Contributing Factors of Variance by Linear Decomposition
- arxiv url: http://arxiv.org/abs/2204.06688v1
- Date: Thu, 14 Apr 2022 01:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 13:35:48.325210
- Title: Time Series of Non-Additive Metrics: Identification and Interpretation
of Contributing Factors of Variance by Linear Decomposition
- Title（参考訳）: 非随伴計量の時系列:線形分解による変数の寄与要因の同定と解釈
- Authors: Alex Glushkovsky
- Abstract要約: 本研究は,非付加的メトリクスの時系列の線形分解について論じる。
比のような非付加的計量は、様々な領域で広く使われている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The research paper addresses linear decomposition of time series of
non-additive metrics that allows for the identification and interpretation of
contributing factors (input features) of variance. Non-additive metrics, such
as ratios, are widely used in a variety of domains. It commonly requires
preceding aggregations of underlying variables that are used to calculate the
metric of interest. The latest poses a dimensionality challenge when the input
features and underlying variables are formed as two-dimensional arrays along
elements, such as account or customer identifications, and time points. It
rules out direct modeling of the time series of a non-additive metric as a
function of input features. The article discusses a five-step approach: (1)
segmentations of input features and the underlying variables of the metric that
are supported by unsupervised autoencoders, (2) univariate or joint fittings of
the metric by the aggregated input features on the segmented domains, (3)
transformations of pre-screened input features according to the fitted models,
(4) aggregation of the transformed features as time series, and (5) modelling
of the metric time series as a sum of constrained linear effects of the
aggregated features. Alternatively, approximation by numerical differentiation
has been considered to linearize the metric. It allows for element level
univariate or joint modeling of step (2). The process of these analytical steps
allows for a backward-looking explanatory decomposition of the metric as a sum
of time series of the survived input features. The paper includes a synthetic
example that studies loss-to-balance monthly rates of a hypothetical retail
credit portfolio. To validate that no latent factors other than the survived
input features have significant impacts on the metric, Statistical Process
Control has been introduced for the residual time series.
- Abstract（参考訳）: 本研究では,非付加的な指標の時系列を線形に分解し,寄与要因(入力特徴)の同定と解釈を可能にする。
比のような非付加的計量は様々な領域で広く使われている。
一般に、関心の計量を計算するのに使用される基礎変数の事前の集約を必要とする。
直近の課題は、入力特徴と基礎となる変数が、アカウントや顧客識別、時間ポイントなどの要素に沿って2次元配列として形成される場合である。
非加法計量の時系列を入力特徴の関数として直接モデル化する。
The article discusses a five-step approach: (1) segmentations of input features and the underlying variables of the metric that are supported by unsupervised autoencoders, (2) univariate or joint fittings of the metric by the aggregated input features on the segmented domains, (3) transformations of pre-screened input features according to the fitted models, (4) aggregation of the transformed features as time series, and (5) modelling of the metric time series as a sum of constrained linear effects of the aggregated features.
あるいは、数値微分による近似は計量を線形化すると考えられる。
ステップ (2) の要素レベルの単変量または共同モデリングを可能にする。
これらの分析ステップのプロセスは、生き残った入力特徴の時系列の和として、計量の後方に見える説明的分解を可能にする。
本論文は、仮説的小売信用ポートフォリオの月次損失対均衡率を研究する合成例を含む。
生き残った入力特徴以外の潜在要因がメトリックに重大な影響を与えないことを検証するために、残差時系列に対して統計的プロセス制御が導入された。
関連論文リスト
- Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。
入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
論文 参考訳（メタデータ） (2024-10-07T23:53:25Z) - Nonlinear Feature Aggregation: Two Algorithms driven by Theory [45.3190496371625]
現実世界の機械学習アプリケーションは、膨大な機能によって特徴付けられ、計算やメモリの問題を引き起こす。
一般集約関数を用いて特徴量の非線形変換を集約する次元還元アルゴリズム(NonLinCFA)を提案する。
また、アルゴリズムを合成および実世界のデータセット上でテストし、回帰および分類タスクを実行し、競合性能を示す。
論文 参考訳（メタデータ） (2023-06-19T19:57:33Z) - Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。
論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。
本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
論文 参考訳（メタデータ） (2023-05-19T08:22:23Z) - The Counterfactual-Shapley Value: Attributing Change in System Metrics [10.804568364995982]
帰属問題の重要な要素は、単一入力の特定の変更によるシステム計量の(仮説的な)変化を推定することである。
本稿では,時系列予測モデルを用いて反事実を推定し,属性スコア CF-Shapley を構築する手法を提案する。
実世界のアプリケーションとして、広告マッチング密度の指標に観測された変化をもたらすことを目的として、クエリ-アドマッチングシステムを分析する。
論文 参考訳（メタデータ） (2022-08-17T16:48:20Z) - Concentration of Random Feature Matrices in High-Dimensions [7.1171757928258135]
ランダムな特徴行列のスペクトルは、ランダムな特徴回帰問題に使用される線形システムの条件付けに関する情報を提供する。
2つの入力変数に対する2つの設定を考える。どちらもランダム変数か、一方はランダム変数で、もう一方は十分に分離されている。
論文 参考訳（メタデータ） (2022-04-14T13:01:27Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。
提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。
我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文 参考訳（メタデータ） (2021-11-25T17:33:12Z) - The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。
異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。
原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文 参考訳（メタデータ） (2020-09-06T14:12:09Z) - Assignment Flows for Data Labeling on Graphs: Convergence and Stability [69.68068088508505]
本稿では、連続時間割当フローを積分代入(ラベル)に収束させることを保証する重みパラメータの条件を確立する。
いくつかの反例は、条件違反は、文脈データ分類に関する代入フローの好ましくない振る舞いを伴う可能性があることを示している。
論文 参考訳（メタデータ） (2020-02-26T15:45:38Z) - TCMI: a non-parametric mutual-dependence estimator for multivariate
continuous distributions [0.0]
総累積相互情報(TCMI)は相互依存の関連性の尺度である。
TCMIは、特徴集合の比較とランキングを容易にする非パラメトリックで堅牢で決定論的尺度である。
論文 参考訳（メタデータ） (2020-01-30T08:42:25Z)
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。