論文の概要: Wasserstein multivariate auto-regressive models for modeling
distributional time series and its application in graph learning
- arxiv url: http://arxiv.org/abs/2207.05442v1
- Date: Tue, 12 Jul 2022 10:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 13:24:45.577399
- Title: Wasserstein multivariate auto-regressive models for modeling
distributional time series and its application in graph learning
- Title(参考訳): 分布時系列モデリングのためのwaserstein multivariate auto-regressive modelとそのグラフ学習への応用
- Authors: Yiye Jiang
- Abstract要約: 多変量分布時系列の統計解析のための新しい自己回帰モデルを提案する。
このようなモデルの解の存在、特異性、定常性に関する結果が提供される。
シミュレーションデータの解析に加えて, 各国の年齢分布から得られた2つの実データを用いて, シミュレーションモデルを構築した。
- 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: We propose a new auto-regressive model for the statistical analysis of
multivariate distributional time series. The data of interest consist of a
collection of multiple series of probability measures supported over a bounded
interval of the real line, and that are indexed by distinct time instants. The
probability measures are modelled as random objects in the Wasserstein space.
We establish the auto-regressive model in the tangent space at the Lebesgue
measure by first centering all the raw measures so that their Fr\'echet means
turn to be the Lebesgue measure. Using the theory of iterated random function
systems, results on the existence, uniqueness and stationarity of the solution
of such a model are provided. We also propose a consistent estimator for the
model coefficient. In addition to the analysis of simulated data, the proposed
model is illustrated with two real data sets made of observations from age
distribution in different countries and bike sharing network in Paris. Finally,
due to the positive and boundedness constraints that we impose on the model
coefficients, the proposed estimator that is learned under these constraints,
naturally has a sparse structure. The sparsity allows furthermore the
application of the proposed model in learning a graph of temporal dependency
from the multivariate distributional time series.
- Abstract(参考訳): 多変量分布時系列の統計解析のための新しい自己回帰モデルを提案する。
興味のあるデータは、実数直線の有界区間で支持される複数の確率測度の集まりであり、それらは別々の時間インスタントによってインデックス化される。
確率測度は、ワッサーシュタイン空間のランダムな対象としてモデル化される。
ルベーグ測度において接空間における自己回帰モデルを確立し、まずすべての原測度を中心とし、それらのfr\'echet がルベーグ測度となるようにする。
反復ランダム関数系の理論を用いて、そのようなモデルの解の存在、一意性および定常性に関する結果を提供する。
また,モデル係数の一貫した推定器を提案する。
シミュレーションデータの解析に加えて,異なる国の年齢分布から得られた2つの実データと,パリの自転車シェアリングネットワークを用いて,提案モデルを示す。
最後に、モデル係数に課す正および有界性制約により、これらの制約の下で学習される提案する推定器は、自然にスパース構造を持つ。
この空間性は,多変量分布時系列から時間依存性のグラフを学習する際のモデルの適用をさらに促進させる。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Generative modeling for time series via Schr{\"o}dinger bridge [0.0]
本稿では,SB (Schr'dinger Bridge) に基づく時系列生成モデルを提案する。
これは、経路空間上の基準確率測度と、時系列の合同データ分布と整合した目標測度との間の最適輸送によるエントロピックから構成される。
論文 参考訳(メタデータ) (2023-04-11T09:45:06Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Parameterization of state duration in Hidden semi-Markov Models: an
application in electrocardiography [0.0]
時系列パターン認識のためのパラメトリックモデルを導入し,パラメータの最大値に類似度を推定する。
分類の応用は、それぞれの選択肢の主な長所と短所を明らかにする。
論文 参考訳(メタデータ) (2022-11-17T11:51:35Z) - 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) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - 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) - Autoregressive Denoising Diffusion Models for Multivariate Probabilistic
Time Series Forecasting [4.1573460459258245]
拡散確率モデル(拡散確率モデル)は、スコアマッチングやエネルギーベースの手法と密接に結びついている潜在変数モデルのクラスである。
我々のモデルは、データ可能性の変動境界を最適化して勾配を学習し、推論時にホワイトノイズを関心の分布のサンプルに変換する。
論文 参考訳(メタデータ) (2021-01-28T15:46:10Z) - Multivariate Probabilistic Time Series Forecasting via Conditioned
Normalizing Flows [8.859284959951204]
時系列予測は科学的・工学的な問題の基本である。
深層学習法はこの問題に適している。
多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
論文 参考訳(メタデータ) (2020-02-14T16:16:51Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳(メタデータ) (2020-02-11T11:57:07Z)
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。