論文の概要: Learning Multi-Frequency Partial Correlation Graphs

• arxiv url: http://arxiv.org/abs/2311.15756v2
• Date: Sun, 12 May 2024 17:36:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 00:53:00.198543
• Title: Learning Multi-Frequency Partial Correlation Graphs
• Title（参考訳）: 多周波数部分相関グラフの学習
• Authors: Gabriele D'Acunto, Paolo Di Lorenzo, Francesco Bonchi, Stefania Sardellitti, Sergio Barbarossa,
• Abstract要約: 既存の方法は部分相関を学習するが、周波数帯域間での識別に失敗する。 この微分により、周波数依存部分相関グラフを用いてこれを克服する。 合成データの数値計算結果から,本手法が現在の技術より優れていることが示された。
• 参考スコア（独自算出の注目度）: 25.572800156815553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the large research effort devoted to learning dependencies between time series, the state of the art still faces a major limitation: existing methods learn partial correlations but fail to discriminate across distinct frequency bands. Motivated by many applications in which this differentiation is pivotal, we overcome this limitation by learning a block-sparse, frequency-dependent, partial correlation graph, in which layers correspond to different frequency bands, and partial correlations can occur over just a few layers. To this aim, we formulate and solve two nonconvex learning problems: the first has a closed-form solution and is suitable when there is prior knowledge about the number of partial correlations; the second hinges on an iterative solution based on successive convex approximation, and is effective for the general case where no prior knowledge is available. Numerical results on synthetic data show that the proposed methods outperform the current state of the art. Finally, the analysis of financial time series confirms that partial correlations exist only within a few frequency bands, underscoring how our methods enable the gaining of valuable insights that would be undetected without discriminating along the frequency domain.
• Abstract（参考訳）: 時系列間の依存関係を学習するための大規模な研究努力にもかかわらず、最先端技術は依然として大きな限界に直面している。 この微分が中心となる多くのアプリケーションによって動機付けられ、ブロックスパース、周波数依存、部分相関グラフを学習することで、この制限を克服する。 本研究の目的は,2つの非凸学習問題の定式化と解法である。第1は閉形式解を持ち,部分相関数に関する事前知識がある場合に適したもので,第2は連続凸近似に基づく反復解に基づくヒンジであり,事前知識が得られない一般的な場合に対して有効である。 合成データの数値計算結果から,提案手法は現状よりも優れていることがわかった。 最後に、ファイナンシャル・タイム・シリーズの分析により、部分的相関が数個の周波数帯域内でのみ存在することが確認され、我々の手法が周波数領域に沿って識別することなく検出されない貴重な洞察の獲得をいかに可能かが示される。

関連論文リスト

• A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series [0.8252665500568257]
  因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。 本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-04T14:20:41Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• Multi-Label Quantification [78.83284164605473]
  定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。 本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:29:59Z)
• Deep Learning Methods for Proximal Inference via Maximum Moment Restriction [0.0]
  深層ニューラルネットワークに基づくフレキシブルでスケーラブルな手法を導入し,不測の共起の存在による因果効果を推定する。 提案手法は,2つの確立された近位推定ベンチマークにおいて,技術性能の状態を達成している。
  論文  参考訳（メタデータ） (2022-05-19T19:51:42Z)
• Normalized multivariate time series causality analysis and causal graph reconstruction [0.0]
  因果分析は科学の中心にある重要な問題であり、データサイエンスと機械学習において特に重要である。 この研究は、情報フローに基づく2変数時間系列因果推論の長期一般化とともに、この作業ラインをコミュニティに紹介する。 結果として得られる公式は透明であり、計算的に非常に効率的なアルゴリズムとして実装することができる。
  論文  参考訳（メタデータ） (2021-04-23T00:46:35Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)
• Addressing Class Imbalance in Scene Graph Parsing by Learning to Contrast and Score [65.18522219013786]
  シーングラフ解析は、画像シーン内のオブジェクトを検出し、それらの関係を認識することを目的としている。 最近の手法は、いくつかの人気のあるベンチマークで高い平均スコアを達成しているが、稀な関係を検出するには失敗している。 本稿では,クラス不均衡問題を解決するために,分類とランキングの新たな統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T13:57:59Z)
• A General Method for Robust Learning from Batches [56.59844655107251]
  本稿では,バッチから頑健な学習を行う一般的なフレームワークについて考察し,連続ドメインを含む任意の領域に対する分類と分布推定の限界について考察する。 本手法は,一括分節分類,一括分節,単調,対数凹,ガウス混合分布推定のための,最初の頑健な計算効率の学習アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-25T18:53:25Z)

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。