論文の概要: Variable Splitting Binary Tree Models Based on Bayesian Context Tree Models for Time Series Segmentation

• arxiv url: http://arxiv.org/abs/2601.16112v1
• Date: Thu, 22 Jan 2026 16:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.660229
• Title: Variable Splitting Binary Tree Models Based on Bayesian Context Tree Models for Time Series Segmentation
• Title（参考訳）: 時系列セグメンテーションのためのベイズ文脈木モデルに基づく可変分割二分木モデル
• Authors: Yuta Nakahara, Shota Saito, Kohei Horinouchi, Koshi Shimada, Naoki Ichijo, Manabu Kobayashi, Toshiyasu Matsushima,
• Abstract要約: 時系列セグメンテーションのためのベイズ文脈木(BCT)モデルに基づく変数分割二分木(VSBT)モデルを提案する。 ロジスティック回帰係数を調整することにより、各間隔内の任意の位置における分割位置を表現できる。 分割位置と樹木深度を同時に推定するために,効率的な推論アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 5.637202202042452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a variable splitting binary tree (VSBT) model based on Bayesian context tree (BCT) models for time series segmentation. Unlike previous applications of BCT models, the tree structure in our model represents interval partitioning on the time domain. Moreover, interval partitioning is represented by recursive logistic regression models. By adjusting logistic regression coefficients, our model can represent split positions at arbitrary locations within each interval. This enables more compact tree representations. For simultaneous estimation of both split positions and tree depth, we develop an effective inference algorithm that combines local variational approximation for logistic regression with the context tree weighting (CTW) algorithm. We present numerical examples on synthetic data demonstrating the effectiveness of our model and algorithm.
• Abstract（参考訳）: 時系列セグメンテーションのためのベイズ文脈木(BCT)モデルに基づく変数分割二分木(VSBT)モデルを提案する。 従来のBCTモデルとは異なり、われわれのモデルにおける木構造は時間領域における間隔分割を表す。 さらに、間隔分割は再帰的ロジスティック回帰モデルによって表現される。 ロジスティック回帰係数を調整することにより、各間隔内の任意の位置における分割位置を表現できる。 これにより、よりコンパクトなツリー表現が可能になる。 分割位置と木の深さを同時に推定するために,ロジスティック回帰のための局所変動近似とコンテキストツリー重み付け(CTW)アルゴリズムを組み合わせた効果的な推論アルゴリズムを開発した。 本稿では,モデルとアルゴリズムの有効性を示す合成データに関する数値例を示す。

関連論文リスト

• TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling [65.46347858249295]
  TreePOは自己誘導型ロールアウトアルゴリズムで、シーケンス生成を木構造検索プロセスとして見る。 TreePOは基本的に、探索の多様性を保存または強化しながら、更新毎の計算負担を削減します。
  論文  参考訳（メタデータ） (2025-08-24T16:52:37Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later [76.66498833720411]
  K$-nearest neighbors (KNN) はもともと,インスタンス間のセマンティックな類似性を捉えるために線形投影を学習するために設計されたものだ。 意外なことに、SGDを用いたNAAの実装と次元減少のない実装は、表データの良好な性能をすでに達成しています。 本稿では、損失関数、予測戦略、深いアーキテクチャなど、これらの改善の背景にある要因を分析して、論文を締めくくる。
  論文  参考訳（メタデータ） (2024-07-03T16:38:57Z)
• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• The Bayesian Context Trees State Space Model for time series modelling and forecasting [7.018547803286913]
  時系列用の木に基づく混合モデルを開発するための階層型ベイズフレームワークが導入された。 これをBayesian Context Trees State Space Model(BCT-Xフレームワーク)と呼びます。
  論文  参考訳（メタデータ） (2023-08-02T02:40:42Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Context-tree weighting for real-valued time series: Bayesian inference with hierarchical mixture models [8.37609145576126]
  時系列の混合モデルを構築するための一般的な階層型ベイズモデリングフレームワークが開発されている。 この開発は、部分的にはコンテキストツリーの使用に基づいており、学習と推論のための効果的なアルゴリズムツールのコレクションを含んでいる。 汎用フレームワークの実用性は、自己回帰(AR)モデルが底面で使用されるときに詳細に説明され、結果として非線形AR混合モデルが得られる。
  論文  参考訳（メタデータ） (2021-06-06T03:46:49Z)
• Spectral Top-Down Recovery of Latent Tree Models [13.681975313065477]
  スペクトルトップダウン・リカバリ (STDR) は、大きな潜在木モデルを推定するための分割・コンカレントアプローチである。 STDRの分割ステップは非ランダムです。 代わりに、観測されたノードに関連する適切なラプラシア行列のFiedlerベクトルに基づいている。 私達はSTDRが統計的に一貫性があることを証明し、高い確率で木を正確に回復するために必要なサンプルの数を縛ります。
  論文  参考訳（メタデータ） (2021-02-26T02:47:42Z)

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。