論文の概要: Probabilistic Learning of Multivariate Time Series with Temporal Irregularity

• arxiv url: http://arxiv.org/abs/2306.09147v3
• Date: Sat, 15 Feb 2025 10:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:05:50.911139
• Title: Probabilistic Learning of Multivariate Time Series with Temporal Irregularity
• Title（参考訳）: 時間的不規則性をもつ多変量時系列の確率論的学習
• Authors: Yijun Li, Cheuk Hang Leung, Qi Wu,
• Abstract要約: 実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.361823581838355
• License:
• Abstract: Probabilistic forecasting of multivariate time series is essential for various downstream tasks. Most existing approaches rely on the sequences being uniformly spaced and aligned across all variables. However, real-world multivariate time series often suffer from temporal irregularities, including nonuniform intervals and misaligned variables, which pose significant challenges for accurate forecasting. To address these challenges, we propose an end-to-end framework that models temporal irregularities while capturing the joint distribution of variables at arbitrary continuous-time points. Specifically, we introduce a dynamic conditional continuous normalizing flow to model data distributions in a non-parametric manner, accommodating the complex, non-Gaussian characteristics commonly found in real-world datasets. Then, by leveraging a carefully factorized log-likelihood objective, our approach captures both temporal and cross-sectional dependencies efficiently. Extensive experiments on a range of real-world datasets demonstrate the superiority and adaptability of our method compared to existing approaches.
• Abstract（参考訳）: 多変量時系列の確率的予測は、下流の様々なタスクに不可欠である。 既存のアプローチのほとんどは、すべての変数に対して一様に空間化され整列されたシーケンスに依存している。 しかし、実世界の多変量時系列は、不均一区間や不整合変数を含む時間的不規則性に悩まされることが多く、正確な予測には重大な課題が生じる。 これらの課題に対処するため、変数の連立分布を任意の連続点で捉えながら、時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。 具体的には、非パラメトリックな方法でモデルデータ分布に動的条件付き連続正規化フローを導入し、実世界のデータセットでよく見られる複雑な非ガウス的特徴を調節する。 そこで本手法では, 時間的および断面的両方の依存関係を効率的に把握する。 実世界のデータセットに対する大規模な実験は、既存の手法と比較して、我々の手法の優越性と適応性を実証している。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
  我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。 経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
  論文  参考訳（メタデータ） (2023-10-28T06:46:03Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Continuous Time Evidential Distributions for Irregular Time Series [18.51671507076908]
  本稿では,不規則な時系列上で連続的に明らかな分布を学習する戦略であるEDICTを提案する。 この分布は、興味のあるときでも部分的に観察された特徴のよく校正され柔軟な推測を可能にする。 EDICTは,課題のある時系列分類タスクにおいて,競争力を発揮することを実証する。
  論文  参考訳（メタデータ） (2023-07-25T13:54:00Z)
• Maximum Likelihood With a Time Varying Parameter [0.0]
  独立観測系列の進化を特徴付ける未知の時間変化パラメータを追跡する問題を考える。 本稿では,観測結果のログ類似度を時間変化ゲイン関数として振る舞う勾配勾配勾配に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T12:40:42Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Independence Testing for Temporal Data [14.25244839642841]
  根本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存するような制限があることが多い。 本稿では,時間的データ間の独立性をテストするブロック置換を用いた時間的依存統計法を提案する。
  論文  参考訳（メタデータ） (2019-08-18T17:19:16Z)

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。