論文の概要: Online Student-$t$ Processes with an Overall-local Scale Structure for
Modelling Non-stationary Data
- arxiv url: http://arxiv.org/abs/2311.00564v1
- Date: Wed, 1 Nov 2023 15:02:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 13:16:35.581552
- Title: Online Student-$t$ Processes with an Overall-local Scale Structure for
Modelling Non-stationary Data
- Title（参考訳）: 非定常データモデリングのための総合的局所スケール構造をもつオンライン学生$t$プロセス
- Authors: Taole Sha, Michael Minyi Zhang
- Abstract要約: 時間依存データはしばしば非定常性や重み付き誤差などの特性を示す。
共分散のために,学生=$t$プロセスと全体の局所スケール構造を混合して提案する。
実世界のデータセット上でのガウス的プロセスベースモデルと比較して,提案手法の優位性を示す。
- 参考スコア（独自算出の注目度）: 2.966338139852619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-dependent data often exhibit characteristics, such as non-stationarity
and heavy-tailed errors, that would be inappropriate to model with the typical
assumptions used in popular models. Thus, more flexible approaches are required
to be able to accommodate such issues. To this end, we propose a Bayesian
mixture of student-$t$ processes with an overall-local scale structure for the
covariance. Moreover, we use a sequential Monte Carlo (SMC) sampler in order to
perform online inference as data arrive in real-time. We demonstrate the
superiority of our proposed approach compared to typical Gaussian process-based
models on real-world data sets in order to prove the necessity of using
mixtures of student-$t$ processes.
- Abstract（参考訳）: 時間依存データはしばしば非定常性や重み付き誤差のような特性を示し、一般的なモデルで使用される典型的な仮定でモデル化するのは不適切である。
したがって、このような問題に対応するためには、より柔軟なアプローチが必要となる。
この目的のために,共分散のための局所的スケール構造を持つ学生$t$プロセスのベイズ混合を提案する。
さらに,データのリアルタイム到着時にオンライン推論を行うために,シーケンシャルなモンテカルロサンプリング(SMC)を用いる。
実世界のデータセット上でのガウス的プロセスベースモデルと比較して,提案手法の優位性を実証し,学生=t$プロセスの混合利用の必要性を証明する。
関連論文リスト
- MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - 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) - Sparse Variational Student-t Processes [8.46450148172407]
学生Tプロセスは、重い尾の分布とデータセットをアウトリーチでモデル化するために使用される。
本研究では,学生プロセスが現実のデータセットに対してより柔軟になるためのスパース表現フレームワークを提案する。
UCIとKaggleの様々な合成および実世界のデータセットに対する2つの提案手法の評価を行った。
論文 参考訳（メタデータ） (2023-12-09T12:55:20Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - Training Deep Normalizing Flow Models in Highly Incomplete Data
Scenarios with Prior Regularization [13.985534521589257]
ハイパウシティシナリオにおけるデータ分布の学習を容易にする新しいフレームワークを提案する。
提案手法は,不完全データから学習過程を協調最適化タスクとして行うことに由来する。
論文 参考訳（メタデータ） (2021-04-03T20:57:57Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Topological regularization with information filtering networks [0.0]
学生tを用いたスパースモデリングの応用について詳述する。
株価の対価の対価と人工的に生成されたデータの実際のデータによる例は、この方法論の適用性、性能、ポテンシャルを示している。
論文 参考訳（メタデータ） (2020-05-10T15:15:04Z) - Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。
モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
論文 参考訳（メタデータ） (2020-02-28T21:52:49Z) - Modeling Continuous Stochastic Processes with Dynamic Normalizing Flows [40.9137348900942]
ウィナー過程の微分変形によって駆動される新しいタイプの流れを提案する。
その結果,観測可能なプロセスが基本プロセスの魅力的な特性の多くを継承するリッチ時系列モデルが得られた。
論文 参考訳（メタデータ） (2020-02-24T20:13:43Z)
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。