Fugu-MT 論文翻訳(概要): Flexible conditional density estimation for time series

論文の概要: Flexible conditional density estimation for time series

arxiv url: http://arxiv.org/abs/2301.09671v1
Date: Mon, 23 Jan 2023 19:11:43 GMT
ステータス: 処理完了
システム内更新日: 2023-01-25 15:06:47.373994
Title: Flexible conditional density estimation for time series
Title（参考訳）: 時系列のフレキシブル条件密度推定
Authors: Gustavo Grivol, Rafael Izbicki, Alex A. Okuno and Rafael B. Stern
Abstract要約: 本稿では,時系列の新しい条件密度推定器FlexCodeTSを紹介する。 FlexCodeTSは、選択された回帰法の収束率を継承している。経験的観点では、FlexCodeTSはシミュレーションデータと実データの両方においてNNKCDEとGARCHと比較される。
参考スコア（独自算出の注目度）: 2.819725769698229
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces FlexCodeTS, a new conditional density estimator for time series. FlexCodeTS is a flexible nonparametric conditional density estimator, which can be based on an arbitrary regression method. It is shown that FlexCodeTS inherits the rate of convergence of the chosen regression method. Hence, FlexCodeTS can adapt its convergence by employing the regression method that best fits the structure of data. From an empirical perspective, FlexCodeTS is compared to NNKCDE and GARCH in both simulated and real data. FlexCodeTS is shown to generally obtain the best performance among the selected methods according to either the CDE loss or the pinball loss.
Abstract（参考訳）: 本稿では,時系列の新しい条件密度推定器FlexCodeTSを紹介する。 FlexCodeTSはフレキシブルな非パラメトリック条件密度推定器であり、任意の回帰法に基づくことができる。 FlexCodeTSは、選択された回帰法の収束率を継承している。したがってFlexCodeTSは、データ構造に最も適合する回帰手法を用いることで、収束を適応することができる。経験的観点では、FlexCodeTSはシミュレーションデータと実データの両方においてNNKCDEとGARCHと比較される。 FlexCodeTSは一般的に、選択したメソッドの中で、CDE損失またはピンボール損失に応じて最高のパフォーマンスを得る。

関連論文リスト

Feasible Learning [78.6167929413604]
本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
論文参考訳（メタデータ） (2025-01-24T20:39:38Z)
Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
論文参考訳（メタデータ） (2024-02-06T07:25:21Z)
FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
論文参考訳（メタデータ） (2023-10-04T21:11:40Z)
A flexible empirical Bayes approach to multiple linear regression and connections with penalized regression [8.663322701649454]
大規模多重回帰に対する新しい経験的ベイズ手法を提案する。当社のアプローチでは、フレキシブルな"適応縮小"と変分近似の2つの主要なアイデアが組み合わさっている。提案手法では, 後進平均値がペナル化回帰問題を解く。
論文参考訳（メタデータ） (2022-08-23T12:42:57Z)
Federated Latent Class Regression for Hierarchical Data [5.110894308882439]
フェデレートラーニング(FL)は、多くのエージェントがローカルに保存されたデータを開示することなく、グローバル機械学習モデルのトレーニングに参加することを可能にする。本稿では,新しい確率モデルである階層潜在クラス回帰(HLCR)を提案し,フェデレートラーニング(FEDHLCR)への拡張を提案する。我々の推論アルゴリズムはベイズ理論から派生したもので、強い収束保証と過剰適合性を提供する。実験結果から、FEDHLCRは非IIDデータセットにおいても高速収束を提供することが示された。
論文参考訳（メタデータ） (2022-06-22T00:33:04Z)
ReCAB-VAE: Gumbel-Softmax Variational Inference Based on Analytic Divergence [17.665255113864795]
緩和されたカテゴリー分布のクルバック・リーブラー発散(KLD)の上界に対応する新しい発散型計量について述べる。また、連続表現と緩和表現の両方をうまくモデル化できる緩和された分類的有界変分オートエンコーダ(ReCAB-VAE)を提案する。
論文参考訳（メタデータ） (2022-05-09T08:11:46Z)
Structured Stochastic Gradient MCMC [20.68905354115655]
近似した後方関数形式を仮定しない新しい非パラメトリック変分近似を提案する。完全なSGMCMCよりも優れた予測可能性と有効試料サイズが得られる。
論文参考訳（メタデータ） (2021-07-19T17:18:10Z)
Active-set algorithms based statistical inference for shape-restricted generalized additive Cox regression models [10.646091866995066]
我々は、有名なコックス回帰モデル(SR-Cox)に形状制限推論を導入する。負の対数様関数の最小化は凸最適化問題として定式化される。
論文参考訳（メタデータ） (2021-06-29T21:40:28Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文参考訳（メタデータ） (2020-10-24T07:01:24Z)
Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。