論文の概要: Optimal Estimation of Generic Dynamics by Path-Dependent Neural Jump
ODEs
- arxiv url: http://arxiv.org/abs/2206.14284v5
- Date: Fri, 15 Dec 2023 13:03:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 19:56:55.947847
- Title: Optimal Estimation of Generic Dynamics by Path-Dependent Neural Jump
ODEs
- Title(参考訳): 経路依存型ニューラルジャンプによるジェネリックダイナミクスの最適推定
- Authors: Florian Krach, Marc N\"ubel, Josef Teichmann
- Abstract要約: 本稿では,NJ-ODE(Neural Jump ODE)フレームワークの経路依存拡張を用いた一般プロセスの予測問題について検討する。
PD-NJ-ODEは古典的なフィルタリング問題や順序帳(LOB)データにうまく適用可能であることを示す。
- 参考スコア(独自算出の注目度): 4.204990010424083
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper studies the problem of forecasting general stochastic processes
using a path-dependent extension of the Neural Jump ODE (NJ-ODE) framework
\citep{herrera2021neural}. While NJ-ODE was the first framework to establish
convergence guarantees for the prediction of irregularly observed time series,
these results were limited to data stemming from It\^o-diffusions with complete
observations, in particular Markov processes, where all coordinates are
observed simultaneously. In this work, we generalise these results to generic,
possibly non-Markovian or discontinuous, stochastic processes with incomplete
observations, by utilising the reconstruction properties of the signature
transform. These theoretical results are supported by empirical studies, where
it is shown that the path-dependent NJ-ODE outperforms the original NJ-ODE
framework in the case of non-Markovian data. Moreover, we show that PD-NJ-ODE
can be applied successfully to classical stochastic filtering problems and to
limit order book (LOB) data.
- Abstract(参考訳): 本稿では,ニューラルジャンプODE(NJ-ODE)フレームワークの経路依存拡張を用いた一般確率過程の予測問題について検討する。
NJ-ODEは、不規則に観測された時系列の予測のための収束保証を確立する最初のフレームワークであったが、これらの結果は完全な観測、特にすべての座標を同時に観測するマルコフ過程から得られたデータに限られていた。
本研究では、シグネチャ変換の再構成特性を利用して、これらの結果を非マルコフ的あるいは不連続な確率的過程と不完全な観察に一般化する。
これらの理論結果は経験的研究によって支持され、パス依存NJ-ODEは非マルコフデータの場合、元のNJ-ODEフレームワークより優れていることが示されている。
さらに、PD-NJ-ODEは古典的確率的フィルタリング問題や順序帳(LOB)データにうまく適用可能であることを示す。
関連論文リスト
- Nonparametric Filtering, Estimation and Classification using Neural Jump ODEs [3.437372707846067]
ニューラルジャンプODEは、ニューラルジャンプODEによる観測と新しい観測の到着時のジャンプの間の条件予測をモデル化する。
彼らは、不規則かつ部分的な観察を伴う設定において、完全なデータ駆動オンライン予測の有効性を実証した。
この作業は、フレームワークをインプット・アウトプット・システムに拡張し、オンラインフィルタリングと分類における直接的なアプリケーションを可能にする。
論文 参考訳(メタデータ) (2024-12-04T12:31:15Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳(メタデータ) (2024-05-18T15:59:41Z) - Convergence Analysis for General Probability Flow ODEs of Diffusion Models in Wasserstein Distances [9.47767039367222]
2-ワッサーシュタイン距離における確率フローODEサンプルの一般クラスに対する最初の非漸近収束解析を提供する。
提案手法は,連続時間ODEの収縮率のスペルを明示的に抽出し,同期結合を用いた離散化とスコアマッチング誤差を解析することに依存する。
論文 参考訳(メタデータ) (2024-01-31T16:07:44Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Data-driven Modeling and Inference for Bayesian Gaussian Process ODEs
via Double Normalizing Flows [28.62579476863723]
本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。
また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。
シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
論文 参考訳(メタデータ) (2023-09-17T09:28:47Z) - Provably Convergent Schr\"odinger Bridge with Applications to
Probabilistic Time Series Imputation [21.27702285561771]
近似射影に基づくSchr"odinger Bridgeアルゴリズムの1次収束解析を提案する。
実例として,観測データに条件付き欠落値を生成することにより,確率的時系列計算にSBPを適用した。
論文 参考訳(メタデータ) (2023-05-12T04:39:01Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T04:38:39Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳(メタデータ) (2020-09-28T09:49:38Z)
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。