論文の概要: A projected nonlinear state-space model for forecasting time series signals

• arxiv url: http://arxiv.org/abs/2311.13247v1
• Date: Wed, 22 Nov 2023 09:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 15:44:36.847562
• Title: A projected nonlinear state-space model for forecasting time series signals
• Title（参考訳）: 時系列信号予測のための非線形状態空間モデル
• Authors: Christian Donner, Anuj Mishra, Hideaki Shimazaki
• Abstract要約: 本稿では,ノイズのある時系列データから非線形ダイナミクスを学習し,予測する高速アルゴリズムを提案する。 提案モデルの主な特徴は、投射線に適用されたカーネル関数であり、潜在力学における非線形性の高速な捕捉を可能にする。
• 参考スコア（独自算出の注目度）: 0.6537685198688538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning and forecasting stochastic time series is essential in various scientific fields. However, despite the proposals of nonlinear filters and deep-learning methods, it remains challenging to capture nonlinear dynamics from a few noisy samples and predict future trajectories with uncertainty estimates while maintaining computational efficiency. Here, we propose a fast algorithm to learn and forecast nonlinear dynamics from noisy time series data. A key feature of the proposed model is kernel functions applied to projected lines, enabling fast and efficient capture of nonlinearities in the latent dynamics. Through empirical case studies and benchmarking, the model demonstrates its effectiveness in learning and forecasting complex nonlinear dynamics, offering a valuable tool for researchers and practitioners in time series analysis.
• Abstract（参考訳）: 確率時系列の学習と予測は様々な科学分野において不可欠である。 しかし、非線形フィルタやディープラーニング手法の提案にもかかわらず、いくつかのノイズサンプルから非線形ダイナミクスを捉え、計算効率を維持しながら不確実性推定による将来の軌道を予測することは依然として困難である。 本稿では,騒音時系列データから非線形ダイナミクスを学習し予測する高速アルゴリズムを提案する。 提案モデルの主な特徴は、投射線に適用されたカーネル関数であり、潜在力学における非線形性の高速かつ効率的な捕捉を可能にする。 経験的なケーススタディとベンチマークによって、モデルは複雑な非線形ダイナミクスの学習と予測においてその効果を実証し、時系列分析における研究者や実践者にとって有用なツールを提供する。

関連論文リスト

• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Safe Active Learning for Time-Series Modeling with Gaussian Processes [7.505622158856545]
  時系列モデルの学習はシミュレーションや予測といった多くのアプリケーションに有用である。 本研究では,安全制約を考慮した時系列モデルを積極的に学習する問題について考察する。 提案手法は,入力空間を動的に探索することにより,時系列モデル学習に適したデータ,すなわち入力と出力の軌跡を生成する。
  論文  参考訳（メタデータ） (2024-02-09T09:40:33Z)
• Gaussian process learning of nonlinear dynamics [0.0]
  モデルパラメータのキャラクタリゼーションのベイズ推定により非線形力学を学習する手法を提案する。 本稿では,提案手法の適用性について,力学系におけるいくつかの典型的なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-12-19T14:27:26Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Efficient learning of nonlinear prediction models with time-series privileged information [11.679648862014655]
  線形ガウス力学系において、中間時系列データにアクセス可能なLuPI学習者は、偏りのない古典的学習者よりも決して悪くはないことを示す。 このマップが未知の場合のランダムな特徴と表現学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-15T05:56:36Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
  既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。 本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。 提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-02-09T07:19:19Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。