論文の概要: On expected signatures and signature cumulants in semimartingale models

• arxiv url: http://arxiv.org/abs/2408.05085v1
• Date: Fri, 9 Aug 2024 14:16:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 15:37:31.451896
• Title: On expected signatures and signature cumulants in semimartingale models
• Title（参考訳）: セミマリンゲールモデルにおける期待シグネチャとシグネチャ累積について
• Authors: Peter K. Friz, Paul P. Hager, Nikolas Tapia,
• Abstract要約: シグネチャと期待シグネチャの概念は、データサイエンス、特にシーケンシャルなデータ分析において不可欠である。 log-transform (expected signatures) は log-signatures (signature cumulants)
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The concept of signatures and expected signatures is vital in data science, especially for sequential data analysis. The signature transform, a Cartan type development, translates paths into high-dimensional feature vectors, capturing their intrinsic characteristics. Under natural conditions, the expectation of the signature determines the law of the signature, providing a statistical summary of the data distribution. This property facilitates robust modeling and inference in machine learning and stochastic processes. Building on previous work by the present authors [Unified signature cumulants and generalized Magnus expansions, FoM Sigma '22] we here revisit the actual computation of expected signatures, in a general semimartingale setting. Several new formulae are given. A log-transform of (expected) signatures leads to log-signatures (signature cumulants), offering a significant reduction in complexity.
• Abstract（参考訳）: シグネチャと期待シグネチャの概念は、データサイエンス、特にシーケンシャルなデータ分析において不可欠である。 カルタン型の開発であるシグネチャ変換は、パスを高次元の特徴ベクトルに変換し、その固有の特性をキャプチャする。 自然条件下では、署名の期待は署名の法則を決定し、データの分布を統計的に要約する。 この性質は、機械学習と確率過程における堅牢なモデリングと推論を促進する。 筆者らによる以前の研究(統一署名累積と一般化Magnus展開, FoM Sigma '22]に基づいて、期待されるシグネチャの実際の計算を再考する。 いくつかの新しい公式が与えられる。 予測された)シグネチャのログ変換は、ログシグネチャ(署名累積)につながり、複雑さを著しく減少させる。

関連論文リスト

• Offline Handwritten Signature Verification Using a Stream-Based Approach [7.18805896964466]
  署名検証システムは、真と偽の署名を区別する。 従来のHSV開発には静的なバッチ構成が含まれる。 本稿では,無限のシグネチャ列を受信し,時間とともに更新される適応システムを用いた新しいHSV手法を提案する。
  論文  参考訳（メタデータ） (2024-11-10T16:16:06Z)
• Universal randomised signatures for generative time series modelling [1.8434042562191815]
  我々は、財務時系列データの生成モデルを導入するためにランダム化シグネチャを用いる。 具体的には、離散時間ランダム化シグネチャに基づく新しいワッサーシュタイン型距離を提案する。 次に、合成時系列データに対する非逆生成モデルにおける損失関数として、我々の測定値を用いる。
  論文  参考訳（メタデータ） (2024-06-14T17:49:29Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Expressive Sign Equivariant Networks for Spectral Geometric Learning [47.71042325868781]
  近年の研究では、固有ベクトルの構造と対称性を尊重する機械学習モデルの開発の有用性が示されている。 グラフにおけるリンク予測のための等変モデルの構築やノード位置符号化の学習といったタスクに対して,符号不変性は理論的に制限されていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T20:48:18Z)
• Gaussian processes based data augmentation and expected signature for time series classification [0.0]
  本稿では,期待されたシグネチャに基づいて構築された時系列の特徴抽出モデルを提案する。 主な特徴の1つは、モデルを使用する教師付きタスクを通じて最適な特徴抽出が学習されることである。
  論文  参考訳（メタデータ） (2023-10-16T21:18:51Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Revealing Reliable Signatures by Learning Top-Rank Pairs [15.582774097442721]
  署名検証は重要なドキュメント分析タスクである。 著者に依存しないオフライン署名検証タスクに対して,トップランクペア(top-rank pairs)を学習するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T08:20:19Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)
• Conditional Sig-Wasserstein GANs for Time Series Generation [8.593063679921109]
  GAN(Generative Adversarial Network)は、高次元の確率測度からサンプルを生成するのに非常に成功した。 これらの手法は時系列データによって誘導される関節確率分布の時間的依存を捉えるのに苦労する。 時系列データストリームはターゲット空間の次元を大幅に増加させ、生成的モデリングが不可能になる可能性がある。 本稿では,Wasserstein-GANを数学的原理と効率的な経路特徴抽出と統合した汎用条件付きSig-WGANフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-09T17:38:55Z)
• CSNE: Conditional Signed Network Embedding [77.54225346953069]
  署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
  論文  参考訳（メタデータ） (2020-05-19T19:14:52Z)

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。