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

• Preference Optimization with Multi-Sample Comparisons [53.02717574375549]
  本稿では,マルチサンプル比較を含むポストトレーニングの拡張手法を提案する。 これらのアプローチは、生成的多様性やバイアスといった重要な特徴を捉えられない。 マルチサンプル比較はシングルサンプル比較よりも集団特性の最適化に有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T00:59:19Z)
• 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 [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(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)
• 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)
• 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)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• 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)
• Statistical Estimation of High-Dimensional Vector Autoregressive Models [0.0]
  本稿では、高次元時系列と、その時系列にスパースVARモデルを適用するために提案される異なる正規化推定手順に焦点をあてる。 高次元VARモデルのスパーシティスキームが提案され,時系列設定に適していることがわかった。
  論文  参考訳（メタデータ） (2020-06-09T15:25:20Z)
• 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。