論文の概要: Sequential Monte Carlo Learning for Time Series Structure Discovery

• arxiv url: http://arxiv.org/abs/2307.09607v1
• Date: Thu, 13 Jul 2023 16:38:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-23 11:57:53.743244
• Title: Sequential Monte Carlo Learning for Time Series Structure Discovery
• Title（参考訳）: 時系列構造探索のための連続モンテカルロ学習
• Authors: Feras A. Saad, Brian J. Patton, Matthew D. Hoffman, Rif A. Saurous, Vikash K. Mansinghka
• Abstract要約: 逐次モンテカルロとインボリューティブMCMCを統合した構造学習アルゴリズムを提案する。 本手法は, 時系列に新しいデータを組み込んだ「オンライン」設定と, 「オフライン」設定の両方で使用することができる。
• 参考スコア（独自算出の注目度）: 17.964180907602657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a new approach to automatically discovering accurate models of complex time series data. Working within a Bayesian nonparametric prior over a symbolic space of Gaussian process time series models, we present a novel structure learning algorithm that integrates sequential Monte Carlo (SMC) and involutive MCMC for highly effective posterior inference. Our method can be used both in "online" settings, where new data is incorporated sequentially in time, and in "offline" settings, by using nested subsets of historical data to anneal the posterior. Empirical measurements on real-world time series show that our method can deliver 10x--100x runtime speedups over previous MCMC and greedy-search structure learning algorithms targeting the same model family. We use our method to perform the first large-scale evaluation of Gaussian process time series structure learning on a prominent benchmark of 1,428 econometric datasets. The results show that our method discovers sensible models that deliver more accurate point forecasts and interval forecasts over multiple horizons as compared to widely used statistical and neural baselines that struggle on this challenging data.
• Abstract（参考訳）: 本稿では,複雑な時系列データの正確なモデルを自動的に発見する新しい手法を提案する。 ガウス過程時系列モデルのシンボリック空間上のベイズ非パラメトリックな事前処理において,逐次モンテカルロ(smc)とインボリューティブmc(mcmc)を統合した新しい構造学習アルゴリズムを提案する。 本手法は,新しいデータを時系列的に組み込む"オンライン"設定と,履歴データのネストサブセットを使用して後方をアニールすることにより"オフライン"設定の両方に使用することができる。 実世界の時系列の実証実験により,本手法は,従来のMCMCおよびgreedy-search構造学習アルゴリズムよりも10倍-100倍のランタイム高速化を実現することができることが示された。 我々は,1,428個のエコノメトリデータセットの顕著なベンチマークを用いて,ガウス過程時系列構造学習の大規模評価を行う。 以上の結果から,本手法は複数の地平線にわたってより正確な点予測と区間予測をもたらす有理モデルを見出した。

関連論文リスト

• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Time Series Clustering with an EM algorithm for Mixtures of Linear Gaussian State Space Models [0.0]
  線形ガウス状態空間モデルを混合したモデルに基づく時系列クラスタリング手法を提案する。 提案手法では,混合モデルの予測最大化アルゴリズムを用いてモデルパラメータを推定する。 シミュレーションデータセットの実験は、クラスタリング、パラメータ推定、モデル選択における手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-25T07:41:23Z)
• K-ARMA Models for Clustering Time Series Data [4.345882429229813]
  K-Meansアルゴリズムのモデルベース一般化を用いた時系列データのクラスタリング手法を提案する。 クラスタリングアルゴリズムは,不確実な偏差基準を用いて,アウトレーヤに対して頑健にすることができることを示す。 我々は,時系列クラスタリングタスクにおいて,本手法が既存の手法と競合することを示す実データ実験を行った。
  論文  参考訳（メタデータ） (2022-06-30T18:16:11Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Forecasting Using Manifold Learning [6.316185724124034]
  本研究では,高次元時系列の予測のための多様体学習に基づく3層数値フレームワークを提案する。 最初のステップでは、非線形多様体学習アルゴリズムを用いて、時系列を低次元空間に埋め込む。 2番目のステップでは、埋め込み力学を予測するために、多様体上の低次回帰モデルを構築する。 最後のステップでは、埋め込み時系列を元の高次元空間に戻します。
  論文  参考訳（メタデータ） (2021-10-07T17:09:59Z)
• Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
  メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。 提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-05T20:50:18Z)
• 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)
• Scalable Hybrid HMM with Gaussian Process Emission for Sequential Time-series Data Clustering [13.845932997326571]
  隠れマルコフモデル(HMM)とガウス過程(GP)のエミッションを組み合わせることで、隠れた状態を効率的に推定することができる。 本稿では,HMM-GPSMのためのスケーラブルな学習法を提案する。
  論文  参考訳（メタデータ） (2020-01-07T07:28:21Z)

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。