論文の概要: Efficient CNN-LSTM based Parameter Estimation of Levy Driven Stochastic Differential Equations

• arxiv url: http://arxiv.org/abs/2403.04246v1
• Date: Thu, 7 Mar 2024 06:07:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 14:51:34.951342
• Title: Efficient CNN-LSTM based Parameter Estimation of Levy Driven Stochastic Differential Equations
• Title（参考訳）: レビー駆動確率微分方程式の効率的なCNN-LSTMに基づくパラメータ推定
• Authors: Shuaiyu Li, Yang Ruan, Changzhou Long, Yuzhong Cheng
• Abstract要約: 本研究では,非ガウス雑音による微分方程式のパラメータ推定の課題に対処する。 従来の研究は、アルファ安定レヴィ駆動SDEのパラメータ推定におけるLSTMネットワークの可能性を強調していた。 本稿では,CNN-LSTMに基づく新しい3段階モデルPEnetを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses the challenges in parameter estimation of stochastic differential equations driven by non-Gaussian noises, which are critical in understanding dynamic phenomena such as price fluctuations and the spread of infectious diseases. Previous research highlighted the potential of LSTM networks in estimating parameters of alpha stable Levy driven SDEs but faced limitations including high time complexity and constraints of the LSTM chaining property. To mitigate these issues, we introduce the PEnet, a novel CNN-LSTM-based three-stage model that offers an end to end approach with superior accuracy and adaptability to varying data structures, enhanced inference speed for long sequence observations through initial data feature condensation by CNN, and high generalization capability, allowing its application to various complex SDE scenarios. Experiments on synthetic datasets confirm PEnet significant advantage in estimating SDE parameters associated with noise characteristics, establishing it as a competitive method for SDE parameter estimation in the presence of Levy noise.
• Abstract（参考訳）: 本研究は,価格変動や感染症の拡散といった動的現象を理解する上で重要である非ガウシアンノイズによって駆動される確率微分方程式のパラメータ推定における課題に対処する。 以前の研究では、アルファ安定化レヴィ駆動SDEのパラメータを推定する上で、LSTMネットワークの可能性を強調したが、リアルタイムの複雑さやLSTM連鎖特性の制約など、制限に直面していた。 これらの問題を緩和するために,新しいcnn-lstmベースの3段階モデルであるpenetを導入し,様々なデータ構造への精度と適応性,cnnによる初期データ特徴量凝縮による長いシーケンス観測の推論速度の向上,高汎化能力,複雑なsdeシナリオへの応用を可能にした。 合成データセットの実験により、PEnetはノイズ特性に関連するSDEパラメータを推定し、レヴィノイズの存在下でのSDEパラメータ推定の競合方法として確立した。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Neural McKean-Vlasov Processes: Distributional Dependence in Diffusion Processes [24.24785205800212]
  マッキーン・ブラソフ微分方程式(MV-SDE)は、無限個の相互作用する粒子の挙動を数学的に記述する。 本研究では,SDEのパラメータ化における分布情報含意の影響について検討する。
  論文  参考訳（メタデータ） (2024-04-15T01:28:16Z)
• Stable Neural Stochastic Differential Equations in Analyzing Irregular Time Series Data [3.686808512438363]
  実世界の時系列データにおける不規則サンプリング間隔と欠落値は,従来の手法の課題である。 本稿では,Langevin-type SDE,Linear Noise SDE,Geometric SDEの3つの安定クラスを提案する。 本研究は,実世界の不規則時系列データを扱う上で,提案手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2024-02-22T22:00:03Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Switching Autoregressive Low-rank Tensor Models [12.461139675114818]
  自己回帰型低ランクテンソル(SALT)モデルを切り替える方法について述べる。 SALTはARHMMのテンソルを低ランクの分解でパラメータ化し、パラメータの数を制御する。 本稿では,SALT,線形力学系,SLDS間の実用的関係を理論的に検証し議論する。
  論文  参考訳（メタデータ） (2023-06-05T22:25:28Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• LSTM based models stability in the context of Sentiment Analysis for social media [0.0]
  LSTMモデルとそのキーパラメータについて述べる。 感性分析の文脈でこれらのモデルの安定性をテストする実験を行う。
  論文  参考訳（メタデータ） (2022-11-21T08:31:30Z)
• Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
  本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。 提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。 これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
  論文  参考訳（メタデータ） (2022-11-13T01:57:18Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)

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。