論文の概要: Probabilistic Learning of Multivariate Time Series with Temporal
Irregularity
- arxiv url: http://arxiv.org/abs/2306.09147v1
- Date: Thu, 15 Jun 2023 14:08:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 14:24:42.379707
- Title: Probabilistic Learning of Multivariate Time Series with Temporal
Irregularity
- Title(参考訳): 時間的不規則性を有する多変量時系列の確率論的学習
- Authors: Yijun Li, Cheuk Hang Leung, Qi Wu
- Abstract要約: 不均一な時間間隔やコンポーネントのミスアライメントを含む時間的不規則。
我々は,非ガウス的データ分布を非パラメトリック的に表現する条件フロー表現を開発する。
提案手法の広範な適用性と優位性は,実世界のデータセット上でのアブレーション研究とテストを通じて,既存のアプローチと比較することによって確認される。
- 参考スコア(独自算出の注目度): 25.91078012394032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate sequential data collected in practice often exhibit temporal
irregularities, including nonuniform time intervals and component misalignment.
However, if uneven spacing and asynchrony are endogenous characteristics of the
data rather than a result of insufficient observation, the information content
of these irregularities plays a defining role in characterizing the
multivariate dependence structure. Existing approaches for probabilistic
forecasting either overlook the resulting statistical heterogeneities, are
susceptible to imputation biases, or impose parametric assumptions on the data
distribution. This paper proposes an end-to-end solution that overcomes these
limitations by allowing the observation arrival times to play the central role
of model construction, which is at the core of temporal irregularities. To
acknowledge temporal irregularities, we first enable unique hidden states for
components so that the arrival times can dictate when, how, and which hidden
states to update. We then develop a conditional flow representation to
non-parametrically represent the data distribution, which is typically
non-Gaussian, and supervise this representation by carefully factorizing the
log-likelihood objective to select conditional information that facilitates
capturing time variation and path dependency. The broad applicability and
superiority of the proposed solution are confirmed by comparing it with
existing approaches through ablation studies and testing on real-world
datasets.
- Abstract(参考訳): 実際に収集された多変量シーケンシャルデータは、不均一な時間間隔やコンポーネントのミスアライメントを含む時間的不規則性を示すことが多い。
しかし、不均一な間隔と非同期性が観測不足の結果ではなくデータの内在的特性である場合、これらの不規則性の情報内容は多変量依存構造を特徴づける決定的な役割を果たす。
確率的予測のための既存のアプローチは、結果の統計的不均一性を見落としているか、インプテーションバイアスの影響を受けやすいか、データ分布にパラメトリックな仮定を課す。
本稿では、時間的不規則性の中核であるモデル構築の中心的な役割を観測の到着時刻に果たすことで、これらの制限を克服するエンドツーエンドソリューションを提案する。
時間的不規則を認めるために、まずコンポーネントのユニークな隠れ状態を有効にし、到着時刻がいつ、どのように、どの隠れ状態が更新されるかを予測できるようにします。
次に,非ガウシアンデータ分布を非パラメトリックに表現するための条件付きフロー表現を開発し,ログ類似目的を慎重に分解し,時間変化や経路依存性の把握を容易にする条件付き情報を選択することにより,この表現を監督する。
提案手法の広範な適用性と優位性は,実世界のデータセットに対するアブレーション研究とテストを通じて,既存のアプローチと比較することによって確認される。
関連論文リスト
- Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-10-07T07:27:39Z) - GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。
GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。
5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
論文 参考訳(メタデータ) (2024-05-18T16:42:44Z) - 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) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - 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) - Variational Conditional Dependence Hidden Markov Models for
Skeleton-Based Action Recognition [7.9603223299524535]
本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。
我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。
フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
論文 参考訳(メタデータ) (2020-02-13T23:18:52Z)
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。