論文の概要: Modelling non-stationary extremal dependence through a geometric approach

• arxiv url: http://arxiv.org/abs/2509.22501v1
• Date: Fri, 26 Sep 2025 15:42:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.557222
• Title: Modelling non-stationary extremal dependence through a geometric approach
• Title（参考訳）: 幾何学的アプローチによる非定常極端依存のモデル化
• Authors: C. J. R. Murphy-Barltrop, J. L. Wadsworth, M. de Carvalho, B. D. Youngman,
• Abstract要約: 非定常極端依存は、環境データセットや財務データセットでよく見られる。 多変量極値モデリングへの最近のアプローチは幾何学的枠組みを用いており、そこでは、スケールされたサンプル雲の制限形状を通して、極依存性の特徴が推測される。 このフレームワークは、幅広い依存構造を捉えることができ、定常環境では様々な推論手順が提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-stationary extremal dependence, whereby the relationship between the extremes of multiple variables evolves over time, is commonly observed in many environmental and financial data sets. However, most multivariate extreme value models are only suited to stationary data. A recent approach to multivariate extreme value modelling uses a geometric framework, whereby extremal dependence features are inferred through the limiting shapes of scaled sample clouds. This framework can capture a wide range of dependence structures, and a variety of inference procedures have been proposed in the stationary setting. In this work, we first extend the geometric framework to the non-stationary setting and outline assumptions to ensure the necessary convergence conditions hold. We then introduce a flexible, semi-parametric modelling framework for obtaining estimates of limit sets in the non-stationary setting. Through rigorous simulation studies, we demonstrate that our proposed framework can capture a wide range of dependence forms and is robust to different model formulations. We illustrate the proposed methods on financial returns data and present several practical uses.
• Abstract（参考訳）: 時間とともに複数の変数の極端な関係が進化する非定常的極限依存は、多くの環境および財務データセットでよく見られる。 しかし、ほとんどの多変量極値モデルは静止データにのみ適している。 多変量極値モデリングへの最近のアプローチは幾何学的枠組みを用いており、そこでは、スケールされたサンプル雲の制限形状を通して、極依存性の特徴が推測される。 このフレームワークは、幅広い依存構造を捉えることができ、定常環境では様々な推論手順が提案されている。 本研究では、まず幾何学的枠組みを非定常的な設定に拡張し、必要な収束条件が保たれるように仮定を概説する。 次に、非定常条件における極限集合の推定値を得るためのフレキシブルな半パラメトリックモデリングフレームワークを導入する。 厳密なシミュレーション研究を通じて,提案するフレームワークは,多種多様な依存形態を捉えることができ,異なるモデル定式化に対して堅牢であることを示す。 本稿では,金融リターンデータに対する提案手法について述べる。

関連論文リスト

• Spatial Reasoners for Continuous Variables in Any Domain [49.83744014336816]
  本稿では,連続変数に対する空間的推論を生成的認知モデルを用いて行うための枠組みを提案する。 任意のデータドメイン、生成モデルパラダイム、推論戦略から変数マッピングを制御するインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-07-14T19:46:54Z)
• Deep Learning of Multivariate Extremes via a Geometric Representation [0.0]
  本研究では, スケールした試料雲の極限形状から極端依存特性を推定する幾何学的極端の研究を行う。 本稿では,幾何学的極端フレームワークの実装を支援するための新しい理論結果を提案する。 本稿では,ディープラーニングニューラルネットワークを用いた制限セットのモデル化について紹介する。
  論文  参考訳（メタデータ） (2024-06-28T14:05:47Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Nonparametric Multi-shape Modeling with Uncertainty Quantification [0.0]
  マルチ出力多次元ガウスプロセスモデリングフレームワークの提案と検討を行う。 提案手法の進歩を概説し、意味のある不確実な定量化の有用性を実証する。 このモデルに基づくアプローチは、閉曲線(とその形状)とカーネル構造との推論の問題に対処するだけでなく、一般の関数対象に対する多値依存の非パラメトリックなモデリングへの扉を開く。
  論文  参考訳（メタデータ） (2022-06-18T06:10:13Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• The Variational Method of Moments [65.91730154730905]
  条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。 同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-12-17T07:21:06Z)
• Deep Conditional Transformation Models [0.0]
  特徴集合上の結果変数条件の累積分布関数(CDF)を学習することは依然として困難である。 条件変換モデルは、条件付きCDFの大規模なクラスをモデル化できる半パラメトリックなアプローチを提供する。 我々は,新しいネットワークアーキテクチャを提案し,異なるモデル定義の詳細を提供し,適切な制約を導出する。
  論文  参考訳（メタデータ） (2020-10-15T16:25:45Z)
• Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
  マルチモーダル空間における条件生成のための新しい枠組みを提案する。 潜在変数を使って一般化可能な学習パターンをモデル化する。 推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
  論文  参考訳（メタデータ） (2020-10-07T03:11:34Z)

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。