論文の概要: Bayesian Complementary Kernelized Learning for Multidimensional
Spatiotemporal Data
- arxiv url: http://arxiv.org/abs/2208.09978v2
- Date: Tue, 30 May 2023 20:29:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 23:26:16.725571
- Title: Bayesian Complementary Kernelized Learning for Multidimensional
Spatiotemporal Data
- Title(参考訳): 多次元時空間データに対するベイズ補間学習
- Authors: Mengying Lei, Aurelie Labbe, Lijun Sun
- Abstract要約: 補足型並列学習(BCKL)のための新しい統計フレームワークを提案する。
BCKLは、正確な後部平均値と高品質の不確実性推定を提供することで優れた性能を提供する。
- 参考スコア(独自算出の注目度): 11.763229353978321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic modeling of multidimensional spatiotemporal data is critical to
many real-world applications. As real-world spatiotemporal data often exhibits
complex dependencies that are nonstationary and nonseparable, developing
effective and computationally efficient statistical models to accommodate
nonstationary/nonseparable processes containing both long-range and short-scale
variations becomes a challenging task, in particular for large-scale datasets
with various corruption/missing structures. In this paper, we propose a new
statistical framework -- Bayesian Complementary Kernelized Learning (BCKL) --
to achieve scalable probabilistic modeling for multidimensional spatiotemporal
data. To effectively characterize complex dependencies, BCKL integrates two
complementary approaches -- kernelized low-rank tensor factorization and
short-range spatiotemporal Gaussian Processes. Specifically, we use a
multi-linear low-rank factorization component to capture the global/long-range
correlations in the data and introduce an additive short-scale GP based on
compactly supported kernel functions to characterize the remaining local
variabilities. We develop an efficient Markov chain Monte Carlo (MCMC)
algorithm for model inference and evaluate the proposed BCKL framework on both
synthetic and real-world spatiotemporal datasets. Our experiment results show
that BCKL offers superior performance in providing accurate posterior mean and
high-quality uncertainty estimates, confirming the importance of both global
and local components in modeling spatiotemporal data.
- Abstract(参考訳): 多次元時空間データの確率的モデリングは多くの実世界応用に不可欠である。
実世界の時空間データは、しばしば非定常かつ非分離的な複雑な依存関係を示すため、長距離と短スケールの両方の変動を含む非定常/非分離プロセスに対応する、効率的で効率的な統計モデルを開発することは、特に様々な汚職/欠落構造を持つ大規模データセットにとって難しい課題となる。
本稿では,多次元時空間データに対するスケーラブルな確率的モデリングを実現するため,ベイズ補足化学習(BCKL)という新しい統計フレームワークを提案する。
複雑な依存関係を効果的に特徴づけるために、BCKLは2つの補完的なアプローチ、カーネル化された低ランクテンソル因子化と短距離時空間ガウス過程を統合する。
具体的には,データ内の大域的/長期的相関を捉えるために,マルチ線形低ランク分解成分を用い,コンパクトにサポートされたカーネル関数に基づく付加的短スケールGPを導入し,残りの局所変数を特徴付ける。
モデル推論のための効率的なマルコフ連鎖モンテカルロ (MCMC) アルゴリズムを開発し, 合成および実世界の時空間データセット上でのBCKLフレームワークの評価を行った。
実験結果から,BCKLは高精度な後部平均値と高品質な不確実性推定値を提供することで,時空間データモデリングにおいてグローバル成分と局所成分の両方が重要であることを確認した。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - 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) - PrACTiS: Perceiver-Attentional Copulas for Time Series [27.107746150930055]
本稿では、時系列予測を強化するために、知覚アーキテクチャとコプラ構造を組み合わせたモデルを提案する。
認識器をエンコーダとして利用することにより、複雑な高次元のマルチモーダルデータをコンパクトな潜在空間に効率よく変換する。
また,コプラに基づくアテンションと出力分散試験機構を配置し,欠落データの連成分布を抽出する。
論文 参考訳(メタデータ) (2023-10-03T01:13:17Z) - Kernel-based Joint Independence Tests for Multivariate Stationary and
Non-stationary Time Series [0.6749750044497732]
多変量時系列における共同独立のカーネルベース統計テストを導入する。
提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。
我々の手法はデータの高次相互作用を明らかにするのに役立つ。
論文 参考訳(メタデータ) (2023-05-15T10:38:24Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳(メタデータ) (2022-08-19T00:35:03Z) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-09-30T20:01:19Z) - Scalable Spatiotemporally Varying Coefficient Modeling with Bayesian
Kernelized Tensor Regression [3.0616624345970975]
計算コストによる大規模高時間解析にSTVCを適用することは困難である。
モデル推論のための効率的なマルコフ連鎖モンテカルロアルゴリズムを開発した。
その結果,モデル推定およびパラメータ推定におけるBKTRの優れた性能と効率性が確認された。
論文 参考訳(メタデータ) (2021-08-31T19:22:23Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z) - Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。
モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
論文 参考訳(メタデータ) (2020-02-28T21:52:49Z)
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。