論文の概要: Efficient Interpretable Nonlinear Modeling for Multiple Time Series
- arxiv url: http://arxiv.org/abs/2309.17154v1
- Date: Fri, 29 Sep 2023 11:42:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 14:25:09.931635
- Title: Efficient Interpretable Nonlinear Modeling for Multiple Time Series
- Title（参考訳）: 多重時系列の効率よく解釈可能な非線形モデリング
- Authors: Kevin Roy, Luis Miguel Lopez-Ramos and Baltasar Beferull-Lozano
- Abstract要約: 本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
- 参考スコア（独自算出の注目度）: 5.448070998907116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictive linear and nonlinear models based on kernel machines or deep
neural networks have been used to discover dependencies among time series. This
paper proposes an efficient nonlinear modeling approach for multiple time
series, with a complexity comparable to linear vector autoregressive (VAR)
models while still incorporating nonlinear interactions among different
time-series variables. The modeling assumption is that the set of time series
is generated in two steps: first, a linear VAR process in a latent space, and
second, a set of invertible and Lipschitz continuous nonlinear mappings that
are applied per sensor, that is, a component-wise mapping from each latent
variable to a variable in the measurement space. The VAR coefficient
identification provides a topology representation of the dependencies among the
aforementioned variables. The proposed approach models each component-wise
nonlinearity using an invertible neural network and imposes sparsity on the VAR
coefficients to reflect the parsimonious dependencies usually found in real
applications. To efficiently solve the formulated optimization problems, a
custom algorithm is devised combining proximal gradient descent, stochastic
primal-dual updates, and projection to enforce the corresponding constraints.
Experimental results on both synthetic and real data sets show that the
proposed algorithm improves the identification of the support of the VAR
coefficients in a parsimonious manner while also improving the time-series
prediction, as compared to the current state-of-the-art methods.
- Abstract（参考訳）: カーネルマシンやディープニューラルネットワークに基づく予測線形および非線形モデルを用いて時系列間の依存関係を検出する。
本稿では,線形ベクトル自己回帰(var)モデルに匹敵する複雑性を持ちながら,異なる時系列変数間の非線形相互作用を取り入れつつ,多重時系列に対する効率的な非線形モデリング手法を提案する。
モデル化の前提は、時系列のセットは2つのステップで生成される、すなわち、1つは潜在空間における線形varプロセス、もう2つは、センサごとに適用される可逆およびリプシッツ連続非線形マッピングの集合、すなわち、各潜在変数から測定空間内の変数へのコンポーネントワイズマッピングである。
VAR係数の識別は、上記の変数間の依存関係のトポロジー表現を提供する。
提案手法は, 可逆ニューラルネットワークを用いて各成分の非線形性をモデル化し, var係数にスパーシティを課し, 実アプリケーションでよく見られる従属関係を反映する。
定式化された最適化問題を効率的に解くために, 近似勾配降下, 確率的原始双対更新, およびプロジェクションを組み合わせて, 対応する制約を強制する独自のアルゴリズムを考案した。
合成データと実データの両方を用いた実験結果から,提案アルゴリズムは,現在の最先端手法と比較して,時系列予測を改善しつつ,相似的にVAR係数の支持度を向上することが示された。
関連論文リスト
- Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。
提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
論文 参考訳（メタデータ） (2024-03-07T19:02:13Z) - Diffeomorphic Transformations for Time Series Analysis: An Efficient
Approach to Nonlinear Warping [0.0]
多くの分野にわたる時間データの拡散と普遍性は、類似性、分類、クラスタリング手法への関心を喚起した。
ユークリッドのような伝統的な距離測度は、時間に依存したデータの性質のため適していない。
この論文は、パラメトリックおよび微分同相のワープ変換を用いる新しい弾性アライメント法を提案する。
論文 参考訳（メタデータ） (2023-09-25T10:51:47Z) - Data-driven Nonlinear Parametric Model Order Reduction Framework using
Deep Hierarchical Variational Autoencoder [5.521324490427243]
深層ニューラルネットワークを用いたデータ駆動パラメトリックモデルオーダー削減(MOR)手法を提案する。
LSH-VAEは、非線形力学系のパラメトリックに対して、かなりの数の自由度で非線形MORを実行することができる。
論文 参考訳（メタデータ） (2023-07-10T02:44:53Z) - An Interpretable and Efficient Infinite-Order Vector Autoregressive
Model for High-Dimensional Time Series [1.4939176102916187]
本稿では,高次元時系列に対する新しいスパース無限次VARモデルを提案する。
このモデルによって得られたVARMA型力学の時間的・横断的な構造は別々に解釈できる。
統計的効率と解釈可能性の向上は、時間的情報をほとんど失わずに達成できる。
論文 参考訳（メタデータ） (2022-09-02T17:14:24Z) - Non-linear manifold ROM with Convolutional Autoencoders and Reduced
Over-Collocation method [0.0]
非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。
我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。
本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
論文 参考訳（メタデータ） (2022-03-01T11:16:50Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。
提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文 参考訳（メタデータ） (2020-09-29T15:00:47Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。