論文の概要: Continuous Time Evidential Distributions for Irregular Time Series

• arxiv url: http://arxiv.org/abs/2307.13503v1
• Date: Tue, 25 Jul 2023 13:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 16:57:32.576729
• Title: Continuous Time Evidential Distributions for Irregular Time Series
• Title（参考訳）: 不規則時系列に対する連続時間証拠分布
• Authors: Taylor W. Killian, Haoran Zhang, Thomas Hartvigsen, Ava P. Amini
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.51671507076908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prevalent in many real-world settings such as healthcare, irregular time series are challenging to formulate predictions from. It is difficult to infer the value of a feature at any given time when observations are sporadic, as it could take on a range of values depending on when it was last observed. To characterize this uncertainty we present EDICT, a strategy that learns an evidential distribution over irregular time series in continuous time. This distribution enables well-calibrated and flexible inference of partially observed features at any time of interest, while expanding uncertainty temporally for sparse, irregular observations. We demonstrate that EDICT attains competitive performance on challenging time series classification tasks and enabling uncertainty-guided inference when encountering noisy data.
• Abstract（参考訳）: 医療や不規則な時系列など、多くの現実の環境では、予測を定式化するのが難しい。 観測が散発的である場合、その特徴の値がいつ観測されたかによって様々な値を取る可能性があるため、任意の時点における特徴の値の推測は困難である。 この不確実性を特徴づけるために,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、不規則な観察のために時間的に不確実性を広げながら、興味のある時点で部分的に観察される特徴を適切に校正し、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合性能を達成し,ノイズデータに遭遇する際の不確実性誘導推論を可能にすることを実証した。

関連論文リスト

• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• 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)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [25.91078012394032]
  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。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• 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)
• AutoFITS: Automatic Feature Engineering for Irregular Time Series [0.44198435146063353]
  不規則な時系列では、各観測が収集される時間はデータのダイナミクスを要約し、予測性能を向上させるのに役立つ。 我々は,各インスタンスが収集された際に,この視点から情報を抽出することに焦点を当てた,新しい自動機能エンジニアリングフレームワークを開発する。 時系列予測ワークフローに組み込むことによって,この情報の価値を検証し,時系列予測のための最新手法との比較や補完方法について検討する。
  論文  参考訳（メタデータ） (2021-12-29T19:42:48Z)
• Nonlinear Discrete-time Systems' Identification without Persistence of Excitation: A Finite-time Concurrent Learning [0.0]
  離散時間非線形系の不確かさを近似するために,有限時間同時学習法を提案する。 厳密な証明は、推定されたパラメータの最適値への有限時間収束を保証する。
  論文  参考訳（メタデータ） (2021-12-14T22:19:20Z)
• What went wrong and when? Instance-wise Feature Importance for Time-series Models [32.76628660490065]
  時系列ブラックボックスモデルにおける観測の重要性を評価する枠組みを提案する。 FITは、分布シフトへの貢献に基づく観測の重要性を定義している。 時間依存分布シフトを制御する必要性を示す。
  論文  参考訳（メタデータ） (2020-03-05T18:45:05Z)

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。