論文の概要: Structured Estimation of Heterogeneous Time Series
- arxiv url: http://arxiv.org/abs/2311.08658v1
- Date: Wed, 15 Nov 2023 02:39:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 17:26:20.763950
- Title: Structured Estimation of Heterogeneous Time Series
- Title(参考訳): 不均一時系列の構造推定
- Authors: Zachary F. Fisher and Younghoon Kim and Vladas Pipiras and Christopher
Crawford and Daniel J. Petrie and Michael D. Hunter and Charles F. Geier
- Abstract要約: 構造的に異質なプロセスをどのようにモデル化するかは、社会、健康、行動科学の基本的な問題である。
最近、Fisher et al. (2022) はマルチオブジェクトマルチ変数時系列を同時に推定するマルチVAR手法を導入した。
このアプローチは、多数の個人力学における定性的かつ定量的な相違がよく調整されているという点において、多目的時系列に対する多くの一般的なモデリング手法とは異なる。
我々はマルチVARフレームワークを拡張し、推定性能を大幅に改善する新しい適応重み付けスキームを含む。
- 参考スコア(独自算出の注目度): 5.102931012520635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How best to model structurally heterogeneous processes is a foundational
question in the social, health and behavioral sciences. Recently, Fisher et
al., (2022) introduced the multi-VAR approach for simultaneously estimating
multiple-subject multivariate time series characterized by common and
individualizing features using penalized estimation. This approach differs from
many popular modeling approaches for multiple-subject time series in that
qualitative and quantitative differences in a large number of individual
dynamics are well-accommodated. The current work extends the multi-VAR
framework to include new adaptive weighting schemes that greatly improve
estimation performance. In a small set of simulation studies we compare
adaptive multi-VAR with these new penalty weights to common alternative
estimators in terms of path recovery and bias. Furthermore, we provide toy
examples and code demonstrating the utility of multi-VAR under different
heterogeneity regimes using the multivar package for R (Fisher, 2022).
- Abstract(参考訳): 構造的に異質なプロセスをどのようにモデル化するかは、社会、健康、行動科学の基本的な問題である。
近年,fisher et al. (2022) は,ペナライズド推定を用いた共通特徴と個別化特徴を特徴とする多変量時系列の同時推定に多変法を導入した。
このアプローチは、多くの個々人の力学における質的および定量的な違いが十分に受け入れられるマルチサブジェクト時系列に対する多くの一般的なモデリングアプローチと異なる。
現在の作業はマルチVARフレームワークを拡張し、推定性能を大幅に改善する新しい適応重み付けスキームを含んでいる。
少数のシミュレーション研究で、適応型多変数とこれらの新しいペナルティ重みを比較し、経路回復とバイアスの観点から一般的な代替推定器と比較した。
さらに、Rのマルチ変数パッケージを用いて、異なる異種条件下でのマルチVARの有用性を示すおもちゃの例とコードを提供する(Fisher, 2022)。
関連論文リスト
- CATS: Enhancing Multivariate Time Series Forecasting by Constructing
Auxiliary Time Series as Exogenous Variables [9.95711569148527]
本稿では,2次元時間・コンテキストアテンション機構のように機能する補助時間系列(CATS)を構築する手法を提案する。
基本2層をコア予測器として用いながら、CATSは最先端を達成し、従来の多変量モデルと比較して複雑性とパラメータを著しく低減する。
論文 参考訳(メタデータ) (2024-03-04T01:52:40Z) - TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate
Time Series [59.97020360721152]
パウラ理論に基づいて,最近導入された注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳(メタデータ) (2023-10-02T16:45:19Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳(メタデータ) (2022-10-19T19:04:45Z) - Generative machine learning methods for multivariate ensemble
post-processing [2.266704492832475]
生成機械学習に基づく非パラメトリックなデータ駆動分散回帰モデルを提案する。
2つのケーススタディにおいて、我々の生成モデルは最先端の手法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2022-09-26T09:02:30Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient
Methods [73.35353358543507]
SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。
本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。
本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
論文 参考訳(メタデータ) (2022-02-15T09:17:39Z) - Machine Learning for Multi-Output Regression: When should a holistic
multivariate approach be preferred over separate univariate ones? [62.997667081978825]
ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。
これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
論文 参考訳(メタデータ) (2022-01-14T08:44:25Z) - Variational Dynamic Mixtures [18.730501689781214]
逐次潜伏変数を推定するための変分動的混合(VDM)を開発した。
実証実験により、VDMは、高マルチモーダルデータセットにおける競合するアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-10-20T16:10:07Z) - Towards Multimodal Response Generation with Exemplar Augmentation and
Curriculum Optimization [73.45742420178196]
本稿では,高度化とカリキュラム最適化を併用した,新しいマルチモーダル応答生成フレームワークを提案する。
我々のモデルは多様性と妥当性の点で強いベースラインに比べて大幅に改善されている。
論文 参考訳(メタデータ) (2020-04-26T16:29:06Z)
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。