論文の概要: Probabilistic Reduced-Dimensional Vector Autoregressive Modeling with Oblique Projections

• arxiv url: http://arxiv.org/abs/2401.07206v1
• Date: Sun, 14 Jan 2024 05:38:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 19:21:35.380120
• Title: Probabilistic Reduced-Dimensional Vector Autoregressive Modeling with Oblique Projections
• Title（参考訳）: 斜め射影を用いた確率的低次元ベクトル自己回帰モデリング
• Authors: Yanfang Mo and S. Joe Qin
• Abstract要約: 雑音データから低次元ダイナミクスを抽出する低次元ベクトル自己回帰モデルを提案する。 最適斜め分解は、予測誤差の共分散に関する最良の予測可能性のために導出される。 合成ロレンツシステムとイーストマンケミカルの工業プロセスのデータセットを用いて,提案手法の優れた性能と効率を実証した。
• 参考スコア（独自算出の注目度）: 0.7614628596146602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a probabilistic reduced-dimensional vector autoregressive (PredVAR) model to extract low-dimensional dynamics from high-dimensional noisy data. The model utilizes an oblique projection to partition the measurement space into a subspace that accommodates the reduced-dimensional dynamics and a complementary static subspace. An optimal oblique decomposition is derived for the best predictability regarding prediction error covariance. Building on this, we develop an iterative PredVAR algorithm using maximum likelihood and the expectation-maximization (EM) framework. This algorithm alternately updates the estimates of the latent dynamics and optimal oblique projection, yielding dynamic latent variables with rank-ordered predictability and an explicit latent VAR model that is consistent with the outer projection model. The superior performance and efficiency of the proposed approach are demonstrated using data sets from a synthesized Lorenz system and an industrial process from Eastman Chemical.
• Abstract（参考訳）: 本稿では,高次元雑音データから低次元ダイナミクスを抽出する確率的還元次元ベクトル自己回帰モデルを提案する。 このモデルは斜射影を用いて、測定空間を縮小次元ダイナミクスと相補的な静的部分空間に対応する部分空間に分割する。 予測誤差共分散に関する最良の予測可能性のために最適な斜め分解を求める。 そこで我々は,最大可能性と予測最大化(EM)フレームワークを用いた反復PredVARアルゴリズムを開発した。 このアルゴリズムは、潜在ダイナミクスと最適斜め射影の見積もりを交互に更新し、ランク順の予測可能性を持つ動的潜在変数と、外部射影モデルと一致する明示的潜在varモデルを生成する。 合成ロレンツ系とイーストマン化学の工業プロセスから得られたデータセットを用いて,提案手法の優れた性能と効率を実証した。

関連論文リスト

• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models [2.184775414778289]
  逆モデリングは、計算コストとスパースデータセットによる予測精度の低下により、不適切な高次元アプリケーションに限られる。 Wasserstein Geneversarative Adrial Network と Gradient Penalty (WGAN-GP) と Ensemble Smoother を多重データ同化 (ES-MDA) と組み合わせる。 WGAN-GPは低次元の潜伏空間から高次元K場を生成するために訓練され、ES-MDAは利用可能な測定値を同化することにより潜伏変数を更新する。
  論文  参考訳（メタデータ） (2023-10-02T01:27:10Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• Extension of Dynamic Mode Decomposition for dynamic systems with incomplete information based on t-model of optimal prediction [69.81996031777717]
  動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。 このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。 本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
  論文  参考訳（メタデータ） (2022-02-23T11:23:59Z)
• Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the spread of COVID-19 [0.0]
  本稿では,時間内予測のためのGAN(Generative Adversarial Network)とDA-PredGAN(DA-PredGAN)の新たな利用法を提案する。 GANは、現実的に見える画像の生成に優れた結果を達成した後、最近多くの注目を集めています。
  論文  参考訳（メタデータ） (2021-05-17T10:56:53Z)
• Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
  テンソルの合同ベンチマークとクラスタリングの問題を考察する。 本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-15T21:06:16Z)
• High-Dimensional Differentially-Private EM Algorithm: Methods and Near-Optimal Statistical Guarantees [8.089708900273804]
  高次元潜在変数モデルにおける差分プライベート期待最大化(EM)アルゴリズムを設計するための一般的なフレームワークを開発している。 各モデルにおいて、差分プライバシー制約による収束のほぼ最適度を確立する。 この設定では、差分プライバシーを保証する近レート最適EMアルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-04-01T04:08:34Z)
• Additive Poisson Process: Learning Intensity of Higher-Order Interaction in Stochastic Processes [10.439638982101181]
  低次元射影を用いたプロセスにおける強度関数の高次相互作用効果をモデル化できる新しいフレームワークであるAdditive Poisson Process(APP)を提案する。 我々のモデルは、統計多様体上の高階相互作用をモデル化するための情報幾何学の技法と、次元の呪いの影響を克服するために低次元射影を使用する一般化加法モデルを組み合わせる。
  論文  参考訳（メタデータ） (2020-06-16T08:25:36Z)

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。