Fugu-MT 論文翻訳(概要): Time Series Analysis: yesterday, today, tomorrow

論文の概要: Time Series Analysis: yesterday, today, tomorrow

arxiv url: http://arxiv.org/abs/2406.06453v1
Date: Mon, 10 Jun 2024 16:42:44 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 12:59:23.945177
Title: Time Series Analysis: yesterday, today, tomorrow
Title（参考訳）: 時系列分析:昨日、今日、明日
Authors: Igor Mackarov,
Abstract要約: 様々なプロセスの予測は常に統計学とデータ科学の高度な問題である。過去数十年にわたって、ソリューションの手順はディープラーニングとカーネルメソッドによって更新された。ここでは、この視点がいかに真であるかを考察する。
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: Forecasts of various processes have always been a sophisticated problem for statistics and data science. Over the past decades the solution procedures were updated by deep learning and kernel methods. According to many specialists, these approaches are much more precise, stable, and suitable compared to the classical statistical linear time series methods. Here we investigate how true this point of view is.
Abstract（参考訳）: 様々なプロセスの予測は常に統計学とデータ科学の高度な問題である。過去数十年にわたって、ソリューションの手順はディープラーニングとカーネルメソッドによって更新された。多くの専門家によると、これらの手法は古典的な統計線形時系列法と比較してはるかに正確で安定であり、適している。ここでは、この視点がいかに真であるかを考察する。

関連論文リスト

Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。近年、時系列コミュニティで顕著なブレークスルーが見られた。多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文参考訳（メタデータ） (2024-07-18T08:31:55Z)
Adaptive time series forecasting with markovian variance switching [1.2891210250935148]
本稿では,オンライン学習理論に基づく分散を推定する新しい手法を提案する。専門的なアグリゲーション手法を適用して、時間とともにばらつきを学習する。本手法は, 誤特定に対して頑健であり, 従来の専門家アグリゲーションよりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-22T16:40:55Z)
Deep Learning for Multivariate Time Series Imputation: A Survey [36.72913706617057]
本稿では,最近提案されたディープラーニング計算手法に関する総合的な調査を行う。本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。また、異なる手法の研究や下流タスクの強化を比較するための実証実験も行います。
論文参考訳（メタデータ） (2024-02-06T15:03:53Z)
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)
When, Why and How Much? Adaptive Learning Rate Scheduling by Refinement [51.12097770185634]
実際に使用される学習率のスケジュールは、理論によって推奨されるものとはほとんど似ていない。我々はこの理論と実践的ギャップの多くを閉じ、その結果、新しい問題適応型学習率スケジュールを導き出すことができる。
論文参考訳（メタデータ） (2023-10-11T19:16:35Z)
Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series [0.6749750044497732]
多変量時系列における共同独立のカーネルベース統計テストを導入する。提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。我々の手法はデータの高次相互作用を明らかにするのに役立つ。
論文参考訳（メタデータ） (2023-05-15T10:38:24Z)
Online estimation methods for irregular autoregressive models [0.0]
現在、この問題に対処するための方法として、いわゆるオンライン学習法では、現在のパラメータ推定と新しいデータを用いて推定値を更新している。本研究では,時系列モデルの文脈におけるパラメータ推定のための3つのオンライン学習アルゴリズムについて考察する。
論文参考訳（メタデータ） (2023-01-31T19:52:04Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文参考訳（メタデータ） (2021-10-11T13:33:18Z)
Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文参考訳（メタデータ） (2021-03-03T23:06:47Z)
Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
論文参考訳（メタデータ） (2020-11-23T11:57:27Z)

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。