論文の概要: NeuroMemFPP: A recurrent neural approach for memory-aware parameter estimation in fractional Poisson process

• arxiv url: http://arxiv.org/abs/2512.05893v1
• Date: Fri, 05 Dec 2025 17:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.113493
• Title: NeuroMemFPP: A recurrent neural approach for memory-aware parameter estimation in fractional Poisson process
• Title（参考訳）: NeuroMemFPP: 分数ポアソン過程におけるメモリ認識パラメータ推定のための再帰的ニューラルアプローチ
• Authors: Neha Gupta, Aditya Maheshwari,
• Abstract要約: 分数的ポアソン過程(FPP)のパラメータを推定するためのリカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。 LSTM(Long Short-Term Memory)ネットワークは、キーパラメータ$>0$と$in(0,1)$を、地域間時間のシーケンスから推定する。 提案手法は,従来のモーメント法と比較して平均二乗誤差(MSE)を約55.3%削減することを示す。
• 参考スコア（独自算出の注目度）: 2.376995292379181
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we propose a recurrent neural network (RNN)-based framework for estimating the parameters of the fractional Poisson process (FPP), which models event arrivals with memory and long-range dependence. The Long Short-Term Memory (LSTM) network estimates the key parameters $μ>0$ and $β\in(0,1)$ from sequences of inter-arrival times, effectively modeling their temporal dependencies. Our experiments on synthetic data show that the proposed approach reduces the mean squared error (MSE) by about 55.3\% compared to the traditional method of moments (MOM) and performs reliably across different training conditions. We tested the method on two real-world high-frequency datasets: emergency call records from Montgomery County, PA, and AAPL stock trading data. The results show that the LSTM can effectively track daily patterns and parameter changes, indicating its effectiveness on real-world data with complex time dependencies.
• Abstract（参考訳）: 本稿では,事象の到着を記憶と長距離依存でモデル化する分数的ポアソン過程(FPP)のパラメータを推定する,リカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。 LSTM(Long Short-Term Memory)ネットワークは、時間的依存関係を効果的にモデル化し、地域間時間のシーケンスから鍵パラメータ$μ>0$と$β\in(0,1)$を推定する。 提案手法は,従来のモーメント法 (MOM) と比較して平均二乗誤差 (MSE) を約55.3 %削減し,異なる訓練条件で確実に動作可能であることを示す。 本手法をモンゴメリー郡からの緊急通話記録,PA,AAPL株取引データという,実世界の2つの高周波データセットで検証した。 その結果、LSTMは日々のパターンやパラメータの変化を効果的に追跡でき、複雑な時間依存性を持つ実世界のデータにその効果を示すことがわかった。

関連論文リスト

• Parameter Estimation of Long Memory Stochastic Processes with Deep Neural Networks [0.0]
  時系列モデルの長いメモリパラメータを推定するために,純粋にディープなニューラルネットワークに基づくアプローチを提案する。 ハースト指数のようなパラメータは、プロセスの長距離依存、粗さ、自己相似性を特徴づけるのに重要である。
  論文  参考訳（メタデータ） (2024-10-03T03:14:58Z)
• Deep learning the Hurst parameter of linear fractional processes and assessing its reliability [0.0]
  この研究は、分数的ブラウン運動(fBm)、分数的オルンシュタイン-ウレンベック過程(fOU)、線形分数的安定運動(lfsm)の3種類のプロセスに焦点を当てている。 この作業では、fBmとfOUのための広範なデータセットを高速に生成し、LSTMネットワークを大量のデータを実行可能な時間でトレーニングする。 LSTMはfBm法やfOU法では従来の統計手法よりも優れているが、lfsm法では精度が限られている。
  論文  参考訳（メタデータ） (2024-01-03T15:42:45Z)
• 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 Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Efficient Parametric Approximations of Neural Network Function Space Distance [6.117371161379209]
  モデルパラメータとトレーニングデータの重要な特性をコンパクトに要約して、データセット全体を保存または/または反復することなく後で使用できるようにすることが、しばしば有用である。 我々は,FSD(Function Space Distance)をトレーニングセット上で推定することを検討する。 本稿では、線形化活性化TRick (LAFTR) を提案し、ReLUニューラルネットワークに対するFSDの効率的な近似を導出する。
  論文  参考訳（メタデータ） (2023-02-07T15:09:23Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
  本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。 提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
  論文  参考訳（メタデータ） (2022-03-01T16:33:15Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)

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。