論文の概要: Uncovering Regions of Maximum Dissimilarity on Random Process Data

• arxiv url: http://arxiv.org/abs/2209.05569v1
• Date: Mon, 12 Sep 2022 19:44:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 13:16:37.089121
• Title: Uncovering Regions of Maximum Dissimilarity on Random Process Data
• Title（参考訳）: ランダムプロセスデータに基づく最大異種領域の探索
• Authors: Miguel de Carvalho and Gabriel Martos Venturini
• Abstract要約: 本稿では,二つのプロセスの限界特性があまり似ていない領域について,あるボリュームの領域について学習する手法を提案する。 提案手法は,関心データ自体がプロセスであるような設定に対して,完全な汎用性で考案される。 我々は、犯罪学、金融学、医学のケーススタディでそれらの応用を紹介した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The comparison of local characteristics of two random processes can shed light on periods of time or space at which the processes differ the most. This paper proposes a method that learns about regions with a certain volume, where the marginal attributes of two processes are less similar. The proposed methods are devised in full generality for the setting where the data of interest are themselves stochastic processes, and thus the proposed method can be used for pointing out the regions of maximum dissimilarity with a certain volume, in the contexts of functional data, time series, and point processes. The parameter functions underlying both stochastic processes of interest are modeled via a basis representation, and Bayesian inference is conducted via an integrated nested Laplace approximation. The numerical studies validate the proposed methods, and we showcase their application with case studies on criminology, finance, and medicine.
• Abstract（参考訳）: 2つのランダムな過程の局所的な特性の比較は、その過程が最も異なる時間や空間に光を当てることができる。 本稿では,二つのプロセスの限界特性があまり似ていない領域について,あるボリュームの領域について学習する手法を提案する。 提案手法は,興味のあるデータ自体が確率的プロセスであるような設定を完全汎用的に考案し,関数データ,時系列,点過程の文脈において,ある体積との最大相似性の領域を指摘できる。 両確率過程の基礎となるパラメータ関数は基底表現によってモデル化され、ベイズ推論は統合入れ子ラプラス近似によって行われる。 本研究は,提案手法を検証し,その適用例を犯罪学,金融学,医学のケーススタディで紹介する。

関連論文リスト

• Markov Decision Processes with Noisy State Observation [0.0]
  本稿では,マルコフ決定過程(MDP)における特定のノイズ状態観測の課題について述べる。 我々は、真の状態を誤認する確率を捉える混乱行列を用いて、この不確実性をモデル化することに集中する。 そこで本研究では,本研究で提案する2つの提案手法について述べる。
  論文  参考訳（メタデータ） (2023-12-13T21:50:38Z)
• Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
  我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。 我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
  論文  参考訳（メタデータ） (2023-09-19T20:30:58Z)
• Sequential Estimation of Gaussian Process-based Deep State-Space Models [1.760402297380953]
  状態空間モデルと深部状態空間モデルの未知点の逐次推定の問題を考える。 本稿では,ランダム特徴量に基づくガウス過程のパラメータを積分した粒子フィルタリング法を提案する。 提案手法は,潜伏過程をスケールと回転まで追跡できることを示す。
  論文  参考訳（メタデータ） (2023-01-29T20:01:09Z)
• Gaussian Processes and Statistical Decision-making in Non-Euclidean Spaces [96.53463532832939]
  我々はガウス過程の適用性を高める技術を開発した。 この観点から構築した効率的な近似を幅広く導入する。 非ユークリッド空間上のガウス過程モデルの集合を開発する。
  論文  参考訳（メタデータ） (2022-02-22T01:42:57Z)
• On Contrastive Representations of Stochastic Processes [53.21653429290478]
  プロセスの表現を学習することは、機械学習の新たな問題である。 本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T11:00:24Z)
• Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
  スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。 我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。 提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。 派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
  論文  参考訳（メタデータ） (2021-03-19T09:50:53Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Spatio-temporal Sequence Prediction with Point Processes and Self-organizing Decision Trees [0.0]
  分割時間予測問題に対して,ポイントプロセスに基づく予測アルゴリズムを導入する。 本アルゴリズムは,勾配に基づく最適化手法により,これらの領域間の空間事象と相互作用を共同で学習することができる。 当社のアプローチと最先端のディープラーニングベースのアプローチを比較して,大幅なパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2020-06-25T14:04:55Z)
• Mat\'ern Gaussian processes on Riemannian manifolds [81.15349473870816]
  ガウス過程の広く用いられるマタン類を一般化する方法を示す。 また、Mat'ern から広く用いられる2乗指数過程への一般化も拡張する。
  論文  参考訳（メタデータ） (2020-06-17T21:05:42Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)
• Doubly Sparse Variational Gaussian Processes [14.209730729425502]
  我々は、状態空間モデルにはまだインジェクションポイントフレームワークが有効であり、さらなる計算とメモリの節約をもたらすことを示している。 この研究により、実験の1つで示されるように、深いガウス過程モデル内で状態空間の定式化が利用できるようになる。
  論文  参考訳（メタデータ） (2020-01-15T15:07:08Z)

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。