論文の概要: Machine learning in an expectation-maximisation framework for nowcasting

• arxiv url: http://arxiv.org/abs/2512.07335v1
• Date: Mon, 08 Dec 2025 09:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.807848
• Title: Machine learning in an expectation-maximisation framework for nowcasting
• Title（参考訳）: Nowcastingのための予測最大化フレームワークにおける機械学習
• Authors: Paul Wilsens, Katrien Antonio, Gerda Claeskens,
• Abstract要約: 完全な情報を学ぶために観測可能な情報を活用することは nowcasting と呼ばれる。 実際には、不完全な情報は報告や観察の遅れの結果であることが多い。 本稿では,事象の発生と報告プロセスの両方をモデル化するために,機械学習技術を用いた予測最大化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9558392439655012
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Decision making often occurs in the presence of incomplete information, leading to the under- or overestimation of risk. Leveraging the observable information to learn the complete information is called nowcasting. In practice, incomplete information is often a consequence of reporting or observation delays. In this paper, we propose an expectation-maximisation (EM) framework for nowcasting that uses machine learning techniques to model both the occurrence as well as the reporting process of events. We allow for the inclusion of covariate information specific to the occurrence and reporting periods as well as characteristics related to the entity for which events occurred. We demonstrate how the maximisation step and the information flow between EM iterations can be tailored to leverage the predictive power of neural networks and (extreme) gradient boosting machines (XGBoost). With simulation experiments, we show that we can effectively model both the occurrence and reporting of events when dealing with high-dimensional covariate information. In the presence of non-linear effects, we show that our methodology outperforms existing EM-based nowcasting frameworks that use generalised linear models in the maximisation step. Finally, we apply the framework to the reporting of Argentinian Covid-19 cases, where the XGBoost-based approach again is most performant.
• Abstract（参考訳）: 不完全な情報が存在する場合、意思決定はしばしば起こり、リスクの過小評価や過大評価につながる。 観測可能な情報を活用して完全な情報を学ぶことは nowcasting と呼ばれる。 実際には、不完全な情報は報告や観察の遅れの結果であることが多い。 本稿では,機械学習技術を用いてイベントの発生と報告プロセスの両方をモデル化する,予測最大化(EM)フレームワークを提案する。 我々は、発生・報告期間に特有な共変量情報と、イベントが発生したエンティティに関する特徴を含めることができる。 ニューラルネットワークの予測パワーと(極度に)勾配向上マシン(XGBoost)を活用するために、最大化ステップとEMイテレーション間の情報フローをどのように調整できるかを実証する。 シミュレーション実験により,高次元共変量情報を扱う場合の事象の発生と報告の両方を効果的にモデル化できることを示す。 非線形効果の存在下では、我々の手法は、一般化線形モデルを用いて最大化する既存のEMベースの放送フレームワークよりも優れていることを示す。 最後に,XGBoostをベースとしたアプローチが最も有効なArgentinian Covid-19症例の報告に,このフレームワークを適用した。

関連論文リスト

• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• In-Context Linear Regression Demystified: Training Dynamics and Mechanistic Interpretability of Multi-Head Softmax Attention [52.159541540613915]
  本研究では,マルチヘッド型ソフトマックスアテンションモデルを用いて,線形データを用いたコンテキスト内学習を行う方法について検討する。 この結果から,学習内容の学習能力は,そのアーキテクチャと基礎となるデータ分布の集約的効果として,訓練されたトランスフォーマーから出現することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-17T02:00:49Z)
• Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
  本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。 実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
  論文  参考訳（メタデータ） (2024-01-16T14:58:21Z)
• Finding emergence in data by maximizing effective information [2.1714094454496013]
  創発的な現象を特定し、利用可能なデータを使用してマクロレベルで創発的なダイナミクスをキャプチャするフレームワークを開発することが重要です。 本稿では,因果発生理論(CE)にヒントを得て,創発的潜在空間におけるマクロ力学を学習するための機械学習フレームワークを提案する。 シミュレーションおよび実データによる実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-08-19T09:12:47Z)
• Meta-learning using privileged information for dynamics [66.32254395574994]
  Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。 シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
  論文  参考訳（メタデータ） (2021-04-29T12:18:02Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
  本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。 本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。 学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2020-07-13T17:58:21Z)

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。