論文の概要: Comparing statistical and deep learning techniques for parameter estimation of continuous-time stochastic differentiable equations
- arxiv url: http://arxiv.org/abs/2505.03980v1
- Date: Tue, 06 May 2025 21:07:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-08 19:07:35.917793
- Title: Comparing statistical and deep learning techniques for parameter estimation of continuous-time stochastic differentiable equations
- Title（参考訳）: 連続時間確率微分方程式のパラメータ推定のための統計的および深層学習手法の比較
- Authors: Aroon Sankoh, Victor Wickerhauser,
- Abstract要約: 統計的手法(MLE)の推定精度と計算コストを,Ornstein-Uhlenbeckプロセスのパラメータに対するディープラーニングモデル(RNN)と比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stochastic differential equations such as the Ornstein-Uhlenbeck process have long been used to model realworld probablistic events such as stock prices and temperature fluctuations. While statistical methods such as Maximum Likelihood Estimation (MLE), Kalman Filtering, Inverse Variable Method, and more have historically been used to estimate the parameters of stochastic differential equations, the recent explosion of deep learning technology suggests that models such as a Recurrent Neural Network (RNN) could produce more precise estimators. We present a series of experiments that compare the estimation accuracy and computational expensiveness of a statistical method (MLE) with a deep learning model (RNN) for the parameters of the Ornstein-Uhlenbeck process.
- Abstract（参考訳）: オルンシュタイン-ウレンベック過程のような確率微分方程式は、株価や温度変動のような現実の確率的な事象をモデル化するのに長い間用いられてきた。
MLE(Maximum Likelihood Estimation)やカルマンフィルタ(Kalman Filtering)、逆変数法(Inverse Variable Method)といった統計手法は、確率微分方程式のパラメータを推定するために歴史的に用いられてきたが、近年のディープラーニング技術の爆発は、リカレントニューラルネットワーク(RNN)のようなモデルがより正確な推定値を生成することを示唆している。
本稿では,統計的手法(MLE)の推定精度と計算コストを,Ornstein-Uhlenbeckプロセスのパラメータに対するディープラーニングモデル(RNN)と比較する。
関連論文リスト
- A Training-Free Conditional Diffusion Model for Learning Stochastic Dynamical Systems [10.820654486318336]
本研究では,未知の微分方程式(SDE)をデータを用いて学習するための学習自由条件拡散モデルを提案する。
提案手法はSDEのモデリングにおける計算効率と精度の重要な課題に対処する。
学習されたモデルは、未知のシステムの短期的および長期的両方の挙動を予測する上で、大幅な改善を示す。
論文 参考訳（メタデータ） (2024-10-04T03:07:36Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Response Theory via Generative Score Modeling [0.0]
スコアベース生成モデルとGFDT(Generalized Fluctuation-Dissipation Theorem)を組み合わせた外部摂動に対する動的システムの応答解析手法を提案する。
この手法は,非ガウス統計を含むシステム応答の正確な推定を可能にする。
論文 参考訳（メタデータ） (2024-02-01T21:38:10Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Deep learning-based estimation of time-dependent parameters in Markov
models with application to nonlinear regression and SDEs [0.0]
本稿では,マルコフ過程の時間依存パラメータを離散サンプリングにより推定する新しい深層学習手法を提案する。
本研究は,SDEに基づくモデルパラメータ推定に寄与し,多種多様な分野の汎用ツールを提供する。
論文 参考訳（メタデータ） (2023-12-13T20:13:38Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Neural Networks for Parameter Estimation in Intractable Models [0.0]
本稿では,最大安定過程からパラメータを推定する方法を示す。
モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2021-07-29T21:59:48Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳（メタデータ） (2020-05-22T22:30:52Z)
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。