論文の概要: IntLevPy: A Python library to classify and model intermittent and Lévy processes

• arxiv url: http://arxiv.org/abs/2506.03729v1
• Date: Wed, 04 Jun 2025 09:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.248013
• Title: IntLevPy: A Python library to classify and model intermittent and Lévy processes
• Title（参考訳）: IntLevPy: 間欠的およびLévyプロセスの分類とモデル化のためのPythonライブラリ
• Authors: Shailendra Bhandari, Pedro Lencastre, Sergiy Denysov, Yurii Bystryk, Pedro G. Lind,
• Abstract要約: IntLevPyは、間欠的およびL'evyプロセスのシミュレーションと解析用に設計されたPythonライブラリである。 このパッケージには、完全なパラメータ推定と適合最適化を含む、プロセスシミュレーションの機能が含まれている。 本稿では,IntLevPyソフトウェアアーキテクチャ,インストール,検証,使用例を詳細に紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IntLevPy provides a comprehensive description of the IntLevPy Package, a Python library designed for simulating and analyzing intermittent and L\'evy processes. The package includes functionalities for process simulation, including full parameter estimation and fitting optimization for both families of processes, moment calculation, and classification methods. The classification methodology utilizes adjusted-$R^2$ and a noble performance measure {\Gamma}, enabling the distinction between intermittent and L\'evy processes. IntLevPy integrates iterative parameter optimization with simulation-based validation. This paper provides an in-depth user guide covering IntLevPy software architecture, installation, validation workflows, and usage examples. In this way, IntLevPy facilitates systematic exploration of these two broad classes of stochastic processes, bridging theoretical models and practical applications.
• Abstract（参考訳）: IntLevPyは、間欠的およびL\'evyプロセスのシミュレーションと解析用に設計されたPythonライブラリである。 このパッケージには、プロセスのファミリー、モーメント計算、分類方法の両方の完全なパラメータ推定と適合最適化を含む、プロセスシミュレーションのための機能が含まれている。 この分類法は、調整されたR^2$と高貴なパフォーマンス測度 {\Gamma} を利用して、間欠的プロセスとL\'evyプロセスの区別を可能にする。 IntLevPyは反復パラメータ最適化とシミュレーションベースの検証を統合している。 本稿では,IntLevPyソフトウェアアーキテクチャ,インストール,検証ワークフロー,利用例を詳細に紹介する。 このようにして、IntLevPyは2つの幅広い確率過程の体系的な探索を促進し、理論モデルと実践的応用をブリッジする。

関連論文リスト

• Information-theoretic Bayesian Optimization: Survey and Tutorial [2.3931689873603603]
  本稿では,情報理論的獲得関数について述べる。 また,情報理論の獲得関数を,多目的,制約付き,非明視的,多面的,並列,非同期といった複雑な最適化シナリオに適応させる方法について述べる。
  論文  参考訳（メタデータ） (2025-01-22T10:54:15Z)
• Process Mining Embeddings: Learning Vector Representations for Petri Nets [0.09999629695552192]
  Doc2Vecにインスパイアされた教師なしの方法論であるPetriNet2Vecを紹介する。 このアプローチはペトリネットを埋め込みベクトルに変換し、プロセスモデルの比較、クラスタリング、分類を容易にする。 その結果,PetriNet2Vecがプロセスマイニング能力を大幅に向上させる可能性が示された。
  論文  参考訳（メタデータ） (2024-04-26T03:07:32Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Sparse Variational Student-t Processes [8.46450148172407]
  学生Tプロセスは、重い尾の分布とデータセットをアウトリーチでモデル化するために使用される。 本研究では,学生プロセスが現実のデータセットに対してより柔軟になるためのスパース表現フレームワークを提案する。 UCIとKaggleの様々な合成および実世界のデータセットに対する2つの提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-12-09T12:55:20Z)
• Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
  我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。 我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
  論文  参考訳（メタデータ） (2023-09-19T20:30:58Z)
• Likelihood-based inference and forecasting for trawl processes: a stochastic optimization approach [0.0]
  実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。 本稿では,新しい決定的および確率的予測手法を提案する。 トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
  論文  参考訳（メタデータ） (2023-08-30T15:37:48Z)
• Low-Rank Multitask Learning based on Tensorized SVMs and LSSVMs [65.42104819071444]
  マルチタスク学習(MTL)はタスク関連性を活用して性能を向上させる。 タスクインデックスに対応する各モードを持つ高次テンソルを用いて、複数のインデックスが参照するタスクを自然に表現する。 テンソル化サポートベクターマシン(SVM)と最小2乗サポートベクターマシン(LSSVM)を併用した低ランクMTL手法の汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-30T14:28:26Z)
• Safe Real-Time Optimization using Multi-Fidelity Gaussian Processes [0.0]
  本稿では,不確実なプロセスのシステムミスマッチを克服するリアルタイム最適化手法を提案する。 提案方式では, 既知のプロセスモデルをエミュレートする2つのガウス過程と, 測定による真のシステムを用いる。
  論文  参考訳（メタデータ） (2021-11-10T09:31:10Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。