論文の概要: Generating density nowcasts for U.S. GDP growth with deep learning: Bayes by Backprop and Monte Carlo dropout

• arxiv url: http://arxiv.org/abs/2405.15579v1
• Date: Fri, 24 May 2024 14:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 13:50:09.483345
• Title: Generating density nowcasts for U.S. GDP growth with deep learning: Bayes by Backprop and Monte Carlo dropout
• Title（参考訳）: 深層学習による米国のGDP成長のための密度見通しの生成--バックプロップとモンテカルロの落差によるベイズ
• Authors: Kristóf Németh, Dániel Hadházi,
• Abstract要約: 人工ニューラルネットワーク(ANN)は,GDPの現在の精度において,動的因子モデル(DFM)よりも優れていることを示す。 我々は、ANNが米国のGDP成長のために密度のアップキャストを生成することができる2つの異なるディープラーニングアルゴリズムを適用した。 結果は、BackpropによるBayesとMonte Carloのドロップアウトの両方が、ANNのスコープと機能を効果的に拡張できることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent results in the literature indicate that artificial neural networks (ANNs) can outperform the dynamic factor model (DFM) in terms of the accuracy of GDP nowcasts. Compared to the DFM, the performance advantage of these highly flexible, nonlinear estimators is particularly evident in periods of recessions and structural breaks. From the perspective of policy-makers, however, nowcasts are the most useful when they are conveyed with uncertainty attached to them. While the DFM and other classical time series approaches analytically derive the predictive (conditional) distribution for GDP growth, ANNs can only produce point nowcasts based on their default training procedure (backpropagation). To fill this gap, first in the literature, we adapt two different deep learning algorithms that enable ANNs to generate density nowcasts for U.S. GDP growth: Bayes by Backprop and Monte Carlo dropout. The accuracy of point nowcasts, defined as the mean of the empirical predictive distribution, is evaluated relative to a naive constant growth model for GDP and a benchmark DFM specification. Using a 1D CNN as the underlying ANN architecture, both algorithms outperform those benchmarks during the evaluation period (2012:Q1 -- 2022:Q4). Furthermore, both algorithms are able to dynamically adjust the location (mean), scale (variance), and shape (skew) of the empirical predictive distribution. The results indicate that both Bayes by Backprop and Monte Carlo dropout can effectively augment the scope and functionality of ANNs, rendering them a fully compatible and competitive alternative for classical time series approaches.
• Abstract（参考訳）: この論文の最近の結果は、GDPの現在の精度で、人工知能ニューラルネットワーク(ANN)が動的因子モデル(DFM)より優れていることを示している。 DFMと比較して、これらの非常に柔軟な非線形推定器の性能上の利点は、特に不況や構造的破壊の期間において顕著である。 しかし、政策立案者の観点から見れば、現在放送は不確実性を伴って放送されるときに最も有用である。 DFMや他の古典的時系列のアプローチはGDP成長の予測的(条件的)分布を解析的に導出するが、ANNはデフォルトのトレーニング手順(バックプロパゲーション)に基づいてポイント・ガムキャストしか生成できない。 このギャップを埋めるために、まず文献において、ANNが米国のGDP成長のための密度の現在のキャストを生成することができる2つの異なるディープラーニングアルゴリズム、すなわちBackpropとMonte Carloのドロップアウトを適用します。 経験的予測分布の平均値として定義される点今流の精度を,GDPの単純な定数成長モデルとベンチマークDFM仕様と比較して評価する。 1D CNNを基盤アーキテクチャとして、両方のアルゴリズムは評価期間(2012:Q1 -- 2022:Q4)でこれらのベンチマークを上回った。 さらに、両方のアルゴリズムは、経験的予測分布の位置(平均)、スケール(分散)、形状(スキュー)を動的に調整することができる。 その結果、Backprop による Bayes と Monte Carlo によるドロップアウトは、ANN のスコープと機能を効果的に拡張し、古典的な時系列アプローチに対する完全な互換性と競争力のある代替手段となることが示唆された。

関連論文リスト

• Bridging Dynamic Factor Models and Neural Controlled Differential Equations for Nowcasting GDP [22.58246330019538]
  ニューラル制御微分方程式 (NCDE) と動的因子モデル (DFM) を統合する新しい GDP nowcasting framework である NCDENow を紹介する。 我々は,大韓民国とイギリスにおける2つの実世界のGDPデータセットに基づく6つのベースラインに対してNCDENowを評価した。
  論文  参考訳（メタデータ） (2024-09-13T11:33:57Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• Predicting Deep Neural Network Generalization with Perturbation Response Curves [58.8755389068888]
  トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。 具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。 PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
  論文  参考訳（メタデータ） (2021-06-09T01:37:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices [0.0]
  本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。 1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。 第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
  論文  参考訳（メタデータ） (2020-10-05T08:02:29Z)
• Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
  ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。 この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。 この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
  論文  参考訳（メタデータ） (2020-08-19T12:35:55Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。