論文の概要: Parameter inference from a non-stationary unknown process

• arxiv url: http://arxiv.org/abs/2407.08987v1
• Date: Fri, 12 Jul 2024 04:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 00:46:38.917594
• Title: Parameter inference from a non-stationary unknown process
• Title（参考訳）: 非定常未知過程からのパラメータ推定
• Authors: Kieran S. Owens, Ben D. Fulcher,
• Abstract要約: 非定常系は、二酸化炭素濃度の変化による気候パターンから、上昇する神経調節によって引き起こされる脳のダイナミクスまで、世界中で見られる。 非定常過程を解析する手法が必要であるが、実際に使用されるほとんどの時系列解析手法は、定常性の仮定を単純化する。 非定常系の解析における重要な問題は、私たちが参照する問題クラスである。 非定常未知プロセス(PINUP)からの推論 観測時系列が与えられた場合、時系列の非定常性を推進するパラメータを推測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-stationary systems are found throughout the world, from climate patterns under the influence of variation in carbon dioxide concentration, to brain dynamics driven by ascending neuromodulation. Accordingly, there is a need for methods to analyze non-stationary processes, and yet most time-series analysis methods that are used in practice, on important problems across science and industry, make the simplifying assumption of stationarity. One important problem in the analysis of non-stationary systems is the problem class that we refer to as Parameter Inference from a Non-stationary Unknown Process (PINUP). Given an observed time series, this involves inferring the parameters that drive non-stationarity of the time series, without requiring knowledge or inference of a mathematical model of the underlying system. Here we review and unify a diverse literature of algorithms for PINUP. We formulate the problem, and categorize the various algorithmic contributions. This synthesis will allow researchers to identify gaps in the literature and will enable systematic comparisons of different methods. We also demonstrate that the most common systems that existing methods are tested on - notably the non-stationary Lorenz process and logistic map - are surprisingly easy to perform well on using simple statistical features like windowed mean and variance, undermining the practice of using good performance on these systems as evidence of algorithmic performance. We then identify more challenging problems that many existing methods perform poorly on and which can be used to drive methodological advances in the field. Our results unify disjoint scientific contributions to analyzing non-stationary systems and suggest new directions for progress on the PINUP problem and the broader study of non-stationary phenomena.
• Abstract（参考訳）: 非定常系は、二酸化炭素濃度の変動による気候パターンから、上昇する神経調節によって引き起こされる脳のダイナミクスまで、世界中で見られる。 したがって、非定常過程を解析する手法が必要であるが、科学や産業における重要な問題において実際に使用されるほとんどの時系列解析手法は、定常性の仮定を単純化する。 非定常システムの解析における重要な問題は、非定常未知プロセス(PINUP)からのパラメータ推論と呼ばれる問題クラスである。 観測された時系列が与えられた場合、基礎となるシステムの数学的モデルに関する知識や推論を必要とせず、時系列の非定常性を駆動するパラメータを推測する。 ここでは、PINUPのための多様なアルゴリズムの文献をレビューし、統一する。 問題を定式化し、様々なアルゴリズムの貢献を分類する。 この合成により、研究者は文献のギャップを特定でき、異なる方法の体系的な比較が可能になる。 また、既存の手法がテストされている最も一般的なシステム(特に静止しないLorenzプロセスとロジスティックマップ)は、ウィンドウ付き平均や分散のような単純な統計的特徴を使用することで驚くほど簡単に動作できることを示し、アルゴリズム性能の証拠としてこれらのシステムで優れたパフォーマンスを使用するプラクティスを損なう。 そして、多くの既存手法が不十分に動作し、この分野の方法論的進歩を促進するために使用できる、より困難な問題を特定する。 本研究は,非定常系解析への科学的貢献を統一し,PINUP問題と非定常現象のより広範な研究の進展に向けた新たな方向性を提案する。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Conformal Prediction in Dynamic Biological Systems [0.6144680854063939]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、計算モデル予測における信頼度を体系的に決定し、特徴づける過程である。 ここでは、決定論的非線形常微分方程式で表される動的モデルに焦点を当てる。 本稿では,共形推論手法を用いて,漸近的でない保証を提供する2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-04T12:20:27Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Automatically identifying ordinary differential equations from data [0.0]
  本稿では,信号の平滑化にデノナイジング技術を統合することによって,動的法則を同定する手法を提案する。 ランダムな初期条件のアンサンブルを持つよく知られた常微分方程式について,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T18:00:03Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• Leveraging Pre-Images to Discover Nonlinear Relationships in Multivariate Environments [0.0]
  因果発見は、人工知能を用いた科学的発見において重要な機能を提供する。 多くの実世界の時間観測が互いに非線形に関連していることが判明した。 本手法は,観測が時間によって制限され,非線形に関連している場合に,最先端の因果発見法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-01T22:42:51Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Machine Learning for Robust Identification of Complex Nonlinear Dynamical Systems: Applications to Earth Systems Modeling [8.896888286819635]
  カオスを示すシステムは地球科学の至るところに分布している。 システム同定は、気候科学における課題である。 我々は,気候科学におけるベンチマークモデルとして,2レベルロレンツ-96のカオスシステムを考える。
  論文  参考訳（メタデータ） (2020-08-12T22:37:12Z)

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。