論文の概要: Distribution estimation and change-point detection for time series via
DNN-based GANs
- arxiv url: http://arxiv.org/abs/2211.14577v1
- Date: Sat, 26 Nov 2022 14:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 20:43:23.128055
- Title: Distribution estimation and change-point detection for time series via
DNN-based GANs
- Title(参考訳): DNNによる時系列の分布推定と変化点検出
- Authors: Jianya Lu, Yingjun Mo, Zhijie Xiao, Lihu Xu, Qiuran Yao
- Abstract要約: GAN(Generative Adversarial Network)は、独立および同一の分散データの分布を推定するために最近応用されている。
本稿では,定常時系列の分布を推定するためのGANの有効性を示すためにブロッキング手法を用いる。
- 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 generative adversarial networks (GANs) have recently been applied to
estimating the distribution of independent and
identically distributed data, and got excellent performances. In this paper,
we use the blocking technique to demonstrate the effectiveness of GANs for
estimating the distribution of stationary time series. Theoretically, we obtain
a non-asymptotic error bound for the Deep Neural Network (DNN)-based GANs
estimator for the stationary distribution of the time series. Based on our
theoretical analysis, we put forward an algorithm for detecting the
change-point in time series. We simulate in our first experiment a stationary
time series by the multivariate autoregressive model to test our GAN estimator,
while the second experiment is to use our proposed algorithm to detect the
change-point in a time series sequence. Both perform very well. The third
experiment is to use our GAN estimator to learn the distribution of a real
financial time series data, which is not stationary, we can see from the
experiment results that our estimator cannot match the distribution of the time
series very well but give the right changing tendency.
- Abstract(参考訳): 近年,GAN(Generative Adversarial Network)が独立分布および同一分布データの分布推定に応用され,優れた性能を示した。
本稿では,定常時系列の分布を推定するためのGANの有効性を示すためにブロッキング手法を用いる。
理論的には、時系列の定常分布に対するディープニューラルネットワーク(DNN)に基づくGANs推定のための非漸近誤差を求める。
理論的解析に基づき,時系列における変化点を検出するアルゴリズムを考案した。
GAN推定器をテストするための多変量自己回帰モデルによる定常時系列の最初の実験において、第2の実験では、提案アルゴリズムを用いて時系列列の変化点を検出する。
どちらも非常によく機能する。
第3の実験は、実金融時系列データの分布を学習するために、我々のGAN推定器を使用することであり、これは定常的ではなく、実験結果から、我々の推定器は時系列の分布とよく一致しないが、適切な変化傾向をもたらすことが分かる。
関連論文リスト
- Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳(メタデータ) (2024-10-03T09:07:13Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Favour: FAst Variance Operator for Uncertainty Rating [0.034530027457862]
機械学習予測を解釈するための重要なアプローチとしてベイズニューラルネットワーク(BNN)が登場した。
後部分布からサンプリングすることで、データサイエンティストは推論の不確実性を推定することができる。
以前の研究は、ネットワークを介して後部の第1モーメントと第2モーメントを伝播することを提案した。
この方法はサンプリングよりも遅いため、伝播分散を近似する必要がある。
私たちの貢献は、より原則化された分散伝播フレームワークです。
論文 参考訳(メタデータ) (2023-11-21T22:53:20Z) - Time-Parameterized Convolutional Neural Networks for Irregularly Sampled
Time Series [26.77596449192451]
不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。
標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。
時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
論文 参考訳(メタデータ) (2023-08-06T21:10:30Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Time Series Anomaly Detection by Cumulative Radon Features [32.36217153362305]
本研究は,分布距離測定と組み合わせた場合,浅部特徴が十分であると主張する。
提案手法は,各時系列を高次元的特徴分布としてモデル化する。
累積ラドン特徴量を用いて各時系列をパラメータ化することにより、正規時系列の分布を効率的に効果的にモデル化できることを示す。
論文 参考訳(メタデータ) (2022-02-08T18:58:53Z) - AdaRNN: Adaptive Learning and Forecasting of Time Series [39.63457842611036]
時系列は現実世界で広く応用されており、予測が難しいことが知られている。
本稿では,適応型RNN(AdaRNN)を提案する。
ヒトの行動認識、空気質予測、財務分析の実験は、AdaRNNが最新の手法を2.6%の分類精度で上回り、RMSEを9.0%減少させることを示している。
論文 参考訳(メタデータ) (2021-08-10T04:32:04Z) - Optimization Variance: Exploring Generalization Properties of DNNs [83.78477167211315]
ディープニューラルネットワーク(DNN)のテストエラーは、しばしば二重降下を示す。
そこで本研究では,モデル更新の多様性を測定するために,新しい測度である最適化分散(OV)を提案する。
論文 参考訳(メタデータ) (2021-06-03T09:34:17Z) - Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。
この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。
この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文 参考訳(メタデータ) (2020-08-19T12:35:55Z) - Neural Jump Ordinary Differential Equations: Consistent Continuous-Time
Prediction and Filtering [6.445605125467574]
我々は、連続的に学習するデータ駆動型アプローチを提供するNeural Jump ODE(NJ-ODE)を紹介する。
我々のモデルは、$L2$-Optimalオンライン予測に収束することを示す。
我々は,より複雑な学習タスクにおいて,モデルがベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2020-06-08T16:34:51Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。