論文の概要: On the Identifiability of Regime-Switching Models with Multi-Lag Dependencies

• arxiv url: http://arxiv.org/abs/2601.03325v1
• Date: Tue, 06 Jan 2026 15:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.056727
• Title: On the Identifiability of Regime-Switching Models with Multi-Lag Dependencies
• Title（参考訳）: マルチラグ依存型レジームスイッチングモデルの同定可能性について
• Authors: Carles Balsells-Rodas, Toshiko Matsui, Pedro A. M. Mediano, Yixin Wang, Yingzhen Li,
• Abstract要約: マルチラグレジームスイッチングモデル(RSM)の一般的な理論的枠組みを開発する。 非線形ガウス条件下では,レギュラー数とマルチラグ遷移の双方の識別可能性を示す。 我々の結果は、アーキテクチャとノイズの仮定を通して完全に教師なしの設定を保ちます。
• 参考スコア（独自算出の注目度）: 42.274922469778545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifiability is central to the interpretability of deep latent variable models, ensuring parameterisations are uniquely determined by the data-generating distribution. However, it remains underexplored for deep regime-switching time series. We develop a general theoretical framework for multi-lag Regime-Switching Models (RSMs), encompassing Markov Switching Models (MSMs) and Switching Dynamical Systems (SDSs). For MSMs, we formulate the model as a temporally structured finite mixture and prove identifiability of both the number of regimes and the multi-lag transitions in a nonlinear-Gaussian setting. For SDSs, we establish identifiability of the latent variables up to permutation and scaling via temporal structure, which in turn yields conditions for identifiability of regime-dependent latent causal graphs (up to regime/node permutations). Our results hold in a fully unsupervised setting through architectural and noise assumptions that are directly enforceable via neural network design. We complement the theory with a flexible variational estimator that satisfies the assumptions and validate the results on synthetic benchmarks. Across real-world datasets from neuroscience, finance, and climate, identifiability leads to more trustworthy interpretability analysis, which is crucial for scientific discovery.
• Abstract（参考訳）: Identifiability is central to the interpretability of deep latent variable model, ensure parameterizations are uniquely determined by the data-generating distribution。 しかし、これはいまだに政権を揺るがす時系列の探索に過小評価されている。 我々は、マルコフスイッチングモデル(MSM)とスイッチング力学系(SDS)を含むマルチラグレジームスイッチングモデル(RSM)の一般的な理論的枠組みを開発する。 MSMに対して、このモデルを時間的に構造化された有限混合として定式化し、非線形ガウス的条件下でのレギュレーションの数とマルチラグ遷移の識別可能性を証明する。 SDS の場合、潜伏変数の恒常性と時相構造によるスケーリングによる識別性を確立し、従って、規則依存の潜伏因果グラフ(規則/ノード置換まで)の識別可能性の条件を導出する。 我々の結果は、ニューラルネットワーク設計を通じて直接実施可能なアーキテクチャやノイズの仮定を通じて、完全に教師なしの環境を保っている。 仮定を満たすフレキシブルな変分推定器で理論を補完し、合成ベンチマークで結果を検証する。 ニューロサイエンス、ファイナンス、気候といった現実世界のデータセットを通して、識別性はより信頼できる解釈可能性分析をもたらし、科学的な発見に不可欠である。

関連論文リスト

• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• On the Identifiability of Switching Dynamical Systems [34.514858559727266]
  潜在変数モデルの識別可能性は、解釈可能性と分布外一般化の関係から注目されている。 スイッチング力学系の識別可能性について検討し, 逐次潜在変数モデルへの識別可能性解析の展開に向けた第一歩を踏み出した。
  論文  参考訳（メタデータ） (2023-05-25T10:53:18Z)
• Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [2.8579459256051316]
  我々はDeep Switching State Space Model(DS$3$M)として知られる新しいモデリングフレームワークを紹介する。 このフレームワークは、動的に隠された不規則な状態を特定しながら、そのような時系列の正確な予測を行うように設計されている。 本研究は,DS$3$Mの短期および長期の予測テストを通じて,シミュレーションおよび実世界の幅広いデータセット上でのDS$3$Mの有効性とレギュラー識別能力を検証する。
  論文  参考訳（メタデータ） (2021-06-04T08:25:47Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Markovian RNN: An Adaptive Time Series Prediction Network with HMM-based Switching for Nonstationary Environments [11.716677452529114]
  本稿では、マルコフ的な方法で内部構造を適応的に切り替え、与えられたデータの非定常特性をモデル化する新しいリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 我々のモデルであるMarkovian RNNは、レギュレーション遷移に隠れマルコフモデル(HMM)を使用し、各レギュレーションはリカレントセルの隠れ状態遷移を独立に制御する。 我々は,バニラRNNやマルコフスイッチングARIMAのような従来の手法と比較して,大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2020-06-17T19:38:29Z)

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。