Fugu-MT 論文翻訳(概要): Bridging Dynamic Factor Models and Neural Controlled Differential Equations for Nowcasting GDP

論文の概要: Bridging Dynamic Factor Models and Neural Controlled Differential Equations for Nowcasting GDP

arxiv url: http://arxiv.org/abs/2409.08732v1
Date: Fri, 13 Sep 2024 11:33:57 GMT
ステータス: 処理完了
システム内更新日: 2024-09-16 16:49:03.793222
Title: Bridging Dynamic Factor Models and Neural Controlled Differential Equations for Nowcasting GDP
Title（参考訳）: グロースキャストGDPのためのブリッジング動的因子モデルとニューラル制御微分方程式
Authors: Seonkyu Lim, Jeongwhan Choi, Noseong Park, Sang-Ha Yoon, ShinHyuck Kang, Young-Min Kim, Hyunjoong Kang,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 22.58246330019538
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gross domestic product (GDP) nowcasting is crucial for policy-making as GDP growth is a key indicator of economic conditions. Dynamic factor models (DFMs) have been widely adopted by government agencies for GDP nowcasting due to their ability to handle irregular or missing macroeconomic indicators and their interpretability. However, DFMs face two main challenges: i) the lack of capturing economic uncertainties such as sudden recessions or booms, and ii) the limitation of capturing irregular dynamics from mixed-frequency data. To address these challenges, we introduce NCDENow, a novel GDP nowcasting framework that integrates neural controlled differential equations (NCDEs) with DFMs. This integration effectively handles the dynamics of irregular time series. NCDENow consists of 3 main modules: i) factor extraction leveraging DFM, ii) dynamic modeling using NCDE, and iii) GDP growth prediction through regression. We evaluate NCDENow against 6 baselines on 2 real-world GDP datasets from South Korea and the United Kingdom, demonstrating its enhanced predictive capability. Our empirical results favor our method, highlighting the significant potential of integrating NCDE into nowcasting models. Our code and dataset are available at https://github.com/sklim84/NCDENow_CIKM2024.
Abstract（参考訳）: GDP成長が経済状況の重要な指標であるため、政策立案には国内総生産(GDP)の投機が不可欠である。ダイナミックファクターモデル(DFM)は、不規則または欠落したマクロ経済指標とそれらの解釈可能性に対処する能力があるため、政府の機関によってGDPの流産に広く採用されている。しかし、DFMは2つの大きな課題に直面している。一急激な景気後退又は景気不況等の経済不透明感を捕えることの欠如二混合周波数データから不規則な力学を捉えることの制限これらの課題に対処するために,ニューラル制御微分方程式 (NCDE) と DFM を統合する新しい GDP nowcasting framework であるNCDENow を紹介する。この積分は、不規則時系列の力学を効果的に扱う。 NCDENowは3つの主要なモジュールから構成される。一 DFMを利用した要因抽出二 NCDEを用いた動的モデリング及び三回帰によるGDP成長予測 NCDENowを韓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評価し,その予測能力の向上を実証した。実験結果から, NCDE を Nowcasting モデルに組み込む可能性を強調した。私たちのコードとデータセットはhttps://github.com/sklim84/NCDENow_CIKM2024で公開されています。

関連論文リスト

Generating density nowcasts for U.S. GDP growth with deep learning: Bayes by Backprop and Monte Carlo dropout [0.0]
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。
論文参考訳（メタデータ） (2024-05-24T14:06:08Z)
Nowcasting Madagascar's real GDP using machine learning algorithms [0.0]
マダガスカルにおける国内総生産(GDP)の予測能力について検討する。線形正則回帰(Ridge,Lasso,Elastic-net)、次元減少モデル(主成分回帰)、k-nearest neighborsアルゴリズム(k-NN回帰)を含む一般的な回帰モデルを訓練した。我々は,根平均二乗誤差(RMSE),平均絶対誤差(MAE),平均絶対パーセンテージ誤差(MAPE)を算出し,各モデルの流速精度を測定した。
論文参考訳（メタデータ） (2023-12-24T20:40:54Z)
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)
Dynamic Term Structure Models with Nonlinearities using Gaussian Processes [0.0]
本稿では,ガウス型DTSMの一般化されたモデリング構成を提案する。我々は,モデル非線形性に先立ってガウス過程を導入する,独自の連続モンテカルロ推定および予測スキームを構築した。実際の経済活動とは異なり、コアインフレーションの場合、線形モデルと比較すると、非線形モデルの適用は、考慮された成熟度全体にわたる経済的価値の統計的に有意な上昇をもたらすことが分かる。
論文参考訳（メタデータ） (2023-05-18T14:24:17Z)
Bayesian Neural Networks for Macroeconomic Analysis [0.0]
政策機関のマクロ経済分析によく用いられるデータセットを扱うのに適したベイズニューラルネットワーク(BNN)を開発した。本手法は,アクティベーション関数の新規な混合仕様を用いて,広範な仕様検索を回避する。我々のBNNは、通常、他の機械学習手法よりも正確な密度予測を生成する。
論文参考訳（メタデータ） (2022-11-09T09:10:57Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文参考訳（メタデータ） (2021-07-28T23:33:42Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
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)
Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文参考訳（メタデータ） (2021-04-05T00:02:36Z)
Deep Dynamic Factor Models [0.5156484100374059]
ディープ・ダイナミック・ファクター・モデル(D$2$FM)と呼ばれる新しいディープ・ニューラルネットワーク・フレームワークは、利用可能な情報をエンコードすることができる。設計上、モデルの潜在状態は依然として標準因子モデルとして解釈できる。
論文参考訳（メタデータ） (2020-07-23T09:54:52Z)

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。