論文の概要: Robust SDE Parameter Estimation Under Missing Time Information Setting

• arxiv url: http://arxiv.org/abs/2601.20268v1
• Date: Wed, 28 Jan 2026 05:29:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.781086
• Title: Robust SDE Parameter Estimation Under Missing Time Information Setting
• Title（参考訳）: 欠時間情報設定によるロバストSDEパラメータ推定
• Authors: Long Van Tran, Truyen Tran, Phuoc Nguyen,
• Abstract要約: 本稿では、時間的情報を再構成し、SDEパラメータを推定する新しいフレームワークを提案する。 我々は,本手法の有効性を実証するために,合成および実世界のデータセットの実験を行った。
• 参考スコア（独自算出の注目度）: 9.35739310149541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in stochastic differential equations (SDEs) have enabled robust modeling of real-world dynamical processes across diverse domains, such as finance, health, and systems biology. However, parameter estimation for SDEs typically relies on accurately timestamped observational sequences. When temporal ordering information is corrupted, missing, or deliberately hidden (e.g., for privacy), existing estimation methods often fail. In this paper, we investigate the conditions under which temporal order can be recovered and introduce a novel framework that simultaneously reconstructs temporal information and estimates SDE parameters. Our approach exploits asymmetries between forward and backward processes, deriving a score-matching criterion to infer the correct temporal order between pairs of observations. We then recover the total order via a sorting procedure and estimate SDE parameters from the reconstructed sequence using maximum likelihood. Finally, we conduct extensive experiments on synthetic and real-world datasets to demonstrate the effectiveness of our method, extending parameter estimation to settings with missing temporal order and broadening applicability in sensitive domains.
• Abstract（参考訳）: 確率微分方程式(SDE)の最近の進歩は、財務、健康、システム生物学など様々な分野にわたる実世界の動的過程の堅牢なモデリングを可能にしている。 しかし、SDEのパラメータ推定は通常、正確にタイムスタンプされた観測シーケンスに依存する。 時間的順序付け情報が破損したり、行方不明になったり、故意に隠されたりした場合(例えば、プライバシー)、既存の推定方法は失敗することが多い。 本稿では、時間的秩序を回復できる条件について検討し、時間的情報を同時に再構築し、SDEパラメータを推定する新しい枠組みを導入する。 提案手法は, 前向きと後向きのプロセス間の非対称性を利用して, スコアマッチング基準を導出し, 観測のペア間の正しい時間秩序を推定する。 次に、ソート処理により全順序を復元し、最大確率を用いて再構成されたシーケンスからSDEパラメータを推定する。 最後に,本手法の有効性を実証するために,合成および実世界のデータセットに関する広範な実験を行い,時間的順序の欠如した設定にパラメータ推定を拡張し,敏感な領域における適用性を広げた。

関連論文リスト

• SING: SDE Inference via Natural Gradients [0.0]
  本稿では,SDE推論を自然勾配(Sing)を用いて提案し,モデルと変分後部の基底幾何学を効率的に活用する。 SINGは、難解な積分を近似し、計算を時間内に並列化することにより、潜在SDEモデルの高速かつ信頼性の高い推論を可能にする。 SINGは、様々なデータセットにおける状態推定とドリフト推定において、先行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） (2025-06-21T19:36:11Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Point processes with event time uncertainty [16.64005584511643]
  ネットワーク上での時間不確実なポイントプロセスのモデル化のためのフレームワークを導入する。 提案手法は,シミュレーションおよび実データに基づく従来のジェネラル線形モデル(GLM)のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-05T00:46:09Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Stable Neural Stochastic Differential Equations in Analyzing Irregular Time Series Data [3.686808512438363]
  実世界の時系列データにおける不規則サンプリング間隔と欠落値は,従来の手法の課題である。 本稿では,Langevin-type SDE,Linear Noise SDE,Geometric SDEの3つの安定クラスを提案する。 本研究は,実世界の不規則時系列データを扱う上で,提案手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2024-02-22T22:00:03Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• PER-ETD: A Polynomially Efficient Emphatic Temporal Difference Learning Method [49.93717224277131]
  PEriodically Restarted-ETD(PEriodically Restarted-ETD)と呼ばれる新しいETD手法を提案する。 PER-ETD は ETD と同じ所望の固定点に収束するが, 指数的なサンプルの複雑性は向上する。
  論文  参考訳（メタデータ） (2021-10-13T17:40:12Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。