Fugu-MT 論文翻訳(概要): Supervised Dynamic Dimension Reduction with Deep Neural Network

論文の概要: Supervised Dynamic Dimension Reduction with Deep Neural Network

arxiv url: http://arxiv.org/abs/2508.03546v1
Date: Tue, 05 Aug 2025 15:15:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-06 18:18:56.041028
Title: Supervised Dynamic Dimension Reduction with Deep Neural Network
Title（参考訳）: ディープニューラルネットワークによる動的次元削減
Authors: Zhanye Luo, Yuefeng Han, Xiufan Yu,
Abstract要約: 本稿では,新しい動的主成分分析フレームワークであるSupervised Deep Dynamic principalを提案する。我々は、元の予測を教師付きでスケーリングすることで、ターゲット対応予測器を構築する。次に、ターゲット認識予測器上で主成分分析を行い、推定されたSDDP因子を抽出する。
参考スコア（独自算出の注目度）: 3.0040661953201475
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper studies the problem of dimension reduction, tailored to improving time series forecasting with high-dimensional predictors. We propose a novel Supervised Deep Dynamic Principal component analysis (SDDP) framework that incorporates the target variable and lagged observations into the factor extraction process. Assisted by a temporal neural network, we construct target-aware predictors by scaling the original predictors in a supervised manner, with larger weights assigned to predictors with stronger forecasting power. A principal component analysis is then performed on the target-aware predictors to extract the estimated SDDP factors. This supervised factor extraction not only improves predictive accuracy in the downstream forecasting task but also yields more interpretable and target-specific latent factors. Building upon SDDP, we propose a factor-augmented nonlinear dynamic forecasting model that unifies a broad family of factor-model-based forecasting approaches. To further demonstrate the broader applicability of SDDP, we extend our studies to a more challenging scenario when the predictors are only partially observable. We validate the empirical performance of the proposed method on several real-world public datasets. The results show that our algorithm achieves notable improvements in forecasting accuracy compared to state-of-the-art methods.
Abstract（参考訳）: 本稿では,高次元予測器を用いた時系列予測の改善に適した次元減少問題について検討する。本稿では,対象変数とラベル付き観測を要素抽出プロセスに組み込んだ,新しい深層動的主成分分析(SDDP)フレームワークを提案する。時間的ニューラルネットワークの助けを借りて、予測力の強い予測者により大きな重みを割り当てたオリジナルの予測器を教師付きでスケーリングすることで、ターゲット認識予測器を構築する。次に、ターゲット認識予測器上で主成分分析を行い、推定されたSDDP因子を抽出する。この教師付き因子抽出は、下流予測タスクにおける予測精度を向上するだけでなく、より解釈可能で、ターゲット固有の潜伏因子を得る。 SDDPに基づいて,因子モデルに基づく予測手法の幅広いファミリーを統一する因子拡張非線形予測モデルを提案する。 SDDPの適用性をより広く示すため、予測器が部分的にしか観測できない場合に、より困難なシナリオに研究を拡張します。提案手法の実証的性能を実世界の複数の公開データセットで検証する。その結果,本アルゴリズムは最先端手法と比較して予測精度が顕著に向上していることが示唆された。

関連論文リスト

Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
論文参考訳（メタデータ） (2025-07-12T08:10:10Z)
Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では,予測符号化にインスパイアされた動的フィードバック機構を通じて時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが48.7%減少した。
論文参考訳（メタデータ） (2024-10-19T21:22:55Z)
CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文参考訳（メタデータ） (2024-05-03T15:54:50Z)
Progressive Neural Network for Multi-Horizon Time Series Forecasting [4.911305944028228]
ProNetは、マルチ水平時系列予測用に設計された新しいディープラーニングアプローチである。本手法では,予測水平線をセグメントに分割し,非自己回帰的に各セグメントの最も重要なステップを予測し,残りのステップを自己回帰的に行う。 ARモデルと比較して、ProNetは顕著なアドバンテージを示し、ARイテレーションを少なくし、予測速度を高速化し、エラーの蓄積を軽減している。
論文参考訳（メタデータ） (2023-10-30T07:46:40Z)
Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-04-17T10:59:57Z)
Finding Islands of Predictability in Action Forecasting [7.215559809521136]
将来のアクションシーケンスは1つの抽象化レベルではなく、変数でより正確にモデル化されていることを示す。本稿では,ベイズニューラルネットワークと階層的畳み込みセグメンテーションモデルを組み合わせて,将来の行動を正確に予測し,抽象化レベルを最適に選択する手法を提案する。
論文参考訳（メタデータ） (2022-10-13T21:01:16Z)
Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
論文参考訳（メタデータ） (2021-07-26T14:55:02Z)
Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文参考訳（メタデータ） (2021-07-05T09:07:29Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
Supervised PCA: A Multiobjective Approach [70.99924195791532]
制御主成分分析法(SPCA) 本研究では,これらの目的を両立させる新しいSPCA手法を提案する。この手法は、任意の教師付き学習損失に対応し、統計的再構成により、一般化された線形モデルの新しい低ランク拡張を提供する。
論文参考訳（メタデータ） (2020-11-10T18:46:58Z)
Learning Output Embeddings in Structured Prediction [73.99064151691597]
構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。原空間における予測は、前像問題の解法により計算される。本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
論文参考訳（メタデータ） (2020-07-29T09:32:53Z)
PIVEN: A Deep Neural Network for Prediction Intervals with Specific Value Prediction [14.635820704895034]
PIと値予測の両方を生成するディープニューラルネットワークであるPIVENを提案する。提案手法では,PI内のデータ分布に関する仮定は行わず,実世界の様々な問題に対して,その価値予測をより効果的に行う。
論文参考訳（メタデータ） (2020-06-09T09:29:58Z)

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。