論文の概要: Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters

• arxiv url: http://arxiv.org/abs/2407.16376v1
• Date: Tue, 23 Jul 2024 10:57:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 17:36:04.701969
• Title: Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters
• Title（参考訳）: 時間変化パラメータを用いたベイズ自動回帰オンライン変化点検出
• Authors: Ioanna-Yvonni Tsaknaki, Fabrizio Lillo, Piero Mazzarisi,
• Abstract要約: 現実世界のシステムにおける変化点は、システムの力学における重要な状態変化を示す。 本稿では,一変量時系列を用いたオンライン変化点検出手法を提案する。 時間的依存関係と時間的パラメータをモデル化することにより、推定精度と予測能力の両方を高めることができる。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change points in real-world systems mark significant regime shifts in system dynamics, possibly triggered by exogenous or endogenous factors. These points define regimes for the time evolution of the system and are crucial for understanding transitions in financial, economic, social, environmental, and technological contexts. Building upon the Bayesian approach introduced in \cite{c:07}, we devise a new method for online change point detection in the mean of a univariate time series, which is well suited for real-time applications and is able to handle the general temporal patterns displayed by data in many empirical contexts. We first describe time series as an autoregressive process of an arbitrary order. Second, the variance and correlation of the data are allowed to vary within each regime driven by a scoring rule that updates the value of the parameters for a better fit of the observations. Finally, a change point is detected in a probabilistic framework via the posterior distribution of the current regime length. By modeling temporal dependencies and time-varying parameters, the proposed approach enhances both the estimate accuracy and the forecasting power. Empirical validations using various datasets demonstrate the method's effectiveness in capturing memory and dynamic patterns, offering deeper insights into the non-stationary dynamics of real-world systems.
• Abstract（参考訳）: 現実世界のシステムにおける変化点は、おそらく外因性または内因性要因によって引き起こされる、システム力学における重要な状態変化を示す。 これらのポイントは、システムの時間的進化の体制を定義し、経済的、経済的、社会的、環境的、技術的文脈の変遷を理解するために不可欠である。 本研究では, リアルタイムアプリケーションに適したオンライン変化点検出手法を考案し, 多くの経験的文脈でデータによって表される一般的な時間パターンを扱えるようにした。 まず時系列を任意の順序の自己回帰過程として記述する。 第二に、データのばらつきと相関は、パラメータの値を更新して観察をよりよく適合させるスコアリングルールによって、各レギュレーション内で変化することが許される。 そして、現在の状態長の後方分布を介して、確率的枠組みにおいて変化点を検出する。 時間的依存関係と時間的パラメータをモデル化することにより、推定精度と予測能力の両方を高めることができる。 様々なデータセットを用いた実証的な検証は、メモリと動的パターンをキャプチャする手法の有効性を示し、現実世界のシステムの非定常力学に関する深い洞察を提供する。

関連論文リスト

• Change-Point Detection in Industrial Data Streams based on Online Dynamic Mode Decomposition with Control [5.293458740536858]
  オンライン動的モード分解制御(ODMDwC)に基づく新しい変化点検出手法を提案する。 本手法は,Singular-Value-Decomposition法と比較して,直感的かつ優れた検出結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-08T14:18:33Z)
• Revisiting Dynamic Evaluation: Online Adaptation for Large Language Models [88.47454470043552]
  我々は、動的評価(動的評価)としても知られる、テスト時の言語モデルのパラメータをオンラインで微調整する問題を考察する。 オンライン適応はパラメータを時間的に変化する状態に変換し、メモリを重み付けしたコンテキスト長拡張の形式を提供する。
  論文  参考訳（メタデータ） (2024-03-03T14:03:48Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [82.07393844821522]
  内因性変数の予測を強化するために外部情報を利用する新しいフレームワークであるTimeXerを提案する。 TimeXerは、内在変数による時系列予測を大幅に改善し、12の実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Machine-learning parameter tracking with partial state observation [0.0]
  複雑で非線形な力学系は、時間とともに変化するパラメータ、状態推定、予測、制御といったタスクに不可欠な正確な追跡を含むことが多い。 リアルタイムに部分状態観測から時間変化パラメータを正確に追跡する,モデルフリーで完全なデータ駆動型フレームワークを開発した。 低次元および高次元のマルコフ系および非マルコフ系非線形力学系は、機械学習に基づくパラメータ追跡フレームワークのパワーを示すために用いられる。
  論文  参考訳（メタデータ） (2023-11-15T17:39:25Z)
• An information field theory approach to Bayesian state and parameter estimation in dynamical systems [0.0]
  本稿では、連続時間決定論的力学系に適した状態とパラメータ推定のためのスケーラブルなベイズ的手法を開発する。 システム応答の関数空間に物理インフォームドされた事前確率測度を構築し、物理を満たす関数がより高い確率で現れるようにする。
  論文  参考訳（メタデータ） (2023-06-03T16:36:43Z)
• 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)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• 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)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

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。