論文の概要: Poisson-Gamma Dynamical Systems with Non-Stationary Transition Dynamics
- arxiv url: http://arxiv.org/abs/2402.16297v1
- Date: Mon, 26 Feb 2024 04:39:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:32:47.499239
- Title: Poisson-Gamma Dynamical Systems with Non-Stationary Transition Dynamics
- Title(参考訳): 非定常遷移ダイナミクスを持つポアソン-ガンマ力学系
- Authors: Jiahao Wang, Sikun Yang, Heinz Koeppl, Xiuzhen Cheng, Pengfei Hu,
Guoming Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 54.19709905569658
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian methodologies for handling count-valued time series have gained
prominence due to their ability to infer interpretable latent structures and to
estimate uncertainties, and thus are especially suitable for dealing with noisy
and incomplete count data. Among these Bayesian models, Poisson-Gamma Dynamical
Systems (PGDSs) are proven to be effective in capturing the evolving dynamics
underlying observed count sequences. However, the state-of-the-art PGDS still
falls short in capturing the time-varying transition dynamics that are commonly
observed in real-world count time series. To mitigate this limitation, a
non-stationary PGDS is proposed to allow the underlying transition matrices to
evolve over time, and the evolving transition matrices are modeled by
sophisticatedly-designed Dirichlet Markov chains. Leveraging
Dirichlet-Multinomial-Beta data augmentation techniques, a fully-conjugate and
efficient Gibbs sampler is developed to perform posterior simulation.
Experiments show that, in comparison with related models, the proposed
non-stationary PGDS achieves improved predictive performance due to its
capacity to learn non-stationary dependency structure captured by the
time-evolving transition matrices.
- Abstract(参考訳): 数値時系列を扱うベイズ手法は、解釈可能な潜在構造を推測し、不確かさを推定する能力があるため、特にノイズや不完全なカウントデータを扱うのに適している。
これらのベイズモデルのうち、Poisson-Gamma Dynamical Systems (PGDSs) は観測数列に基づく進化力学を捉えるのに有効であることが証明されている。
しかし、現在最先端のPGDSは、実世界のカウントタイムシリーズでよく見られる時間変化の遷移ダイナミクスを捉えていない。
この制限を緩和するために、基礎となる遷移行列が時間とともに進化できるように非定常pgdsを提案し、進化する遷移行列は洗練された設計のディリクレマルコフ鎖によってモデル化される。
Dirichlet-Multinomial-Betaデータ拡張技術を活用し, 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, 後部シミュレーションを行った。
実験により, 提案する非定常pgdsは, 時間発展する遷移行列によって捕捉される非定常依存構造を学習できるため, 予測性能が向上することを示した。
関連論文リスト
- Negative-Binomial Randomized Gamma Markov Processes for Heterogeneous
Overdispersed Count Time Series [34.31866715010829]
提案する力学系の予測性能を向上する負二項ランダム化ガンママルコフ過程を提案する。
また、因子構造とグラフ構造遷移ダイナミクスの両方を推定し、より説明可能な潜在構造を推測する手法も開発している。
論文 参考訳(メタデータ) (2024-02-29T09:46:47Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective [66.79255404792849]
本稿では,カオス理論を長期時系列予測(LTSF)タスクに導入する。
我々のモデルである textbftextitAttraos はカオス理論をLTSFに組み込み、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
歴史的力学構造を記憶し、周波数を拡大した局所進化戦略によって予測する。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - ContiFormer: Continuous-Time Transformer for Irregular Time Series
Modeling [30.12824131306359]
不規則な時系列上の連続時間ダイナミクスのモデリングは、連続的に発生するデータの進化と相関を考慮するために重要である。
リカレントニューラルネットワークやTransformerモデルを含む従来の方法は、強力なニューラルネットワークを通じて誘導バイアスを利用して複雑なパターンをキャプチャする。
本稿では,バニラ変換器の関係モデリングを連続時間領域に拡張するContiFormerを提案する。
論文 参考訳(メタデータ) (2024-02-16T12:34:38Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Neural Continuous-Discrete State Space Models for Irregularly-Sampled
Time Series [18.885471782270375]
NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。
本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。
複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
論文 参考訳(メタデータ) (2023-01-26T18:45:04Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳(メタデータ) (2021-10-26T17:35:21Z) - Continuous Latent Process Flows [47.267251969492484]
任意の時間スタンプにおける連続時系列ダイナミクスの部分的な観察は多くの分野に存在する。このタイプのデータに連続力学を用いた統計モデルを適用することは、直感的なレベルで有望であるだけでなく、実用的な利点もある。
微分方程式によって駆動される時間依存正規化フローを用いて、連続潜時プロセスを連続可観測プロセスに復号する原則的アーキテクチャである連続潜時プロセスフロー(CLPF)を用いて、これらの課題に取り組む。
我々のアブレーション研究は、不規則な時間グリッド上での様々な推論タスクへの貢献の有効性を実証している。
論文 参考訳(メタデータ) (2021-06-29T17:16:04Z) - 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) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳(メタデータ) (2020-02-24T19:30:32Z)
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。