論文の概要: Variational Inference for Bayesian MIDAS Regression

• arxiv url: http://arxiv.org/abs/2602.19610v1
• Date: Mon, 23 Feb 2026 08:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.735563
• Title: Variational Inference for Bayesian MIDAS Regression
• Title（参考訳）: ベイジアンMIDAS回帰の変分推論
• Authors: Luigi Simeone,
• Abstract要約: 線形重みパラメータージネーションを用いた回帰のための座標アセント変分推論 (CAVI) アルゴリズムを開発した。 CAVIは、107xから1,772xのスピードアップを達成しつつ、ブロックギブスサンプリングベンチマークとほぼ同一の後方手段を生成する。 重み関数パラメータは、すべてのcon gurationに対して優れたキャリブレーション(カバーは92%以上)を維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We develop a Coordinate Ascent Variational Inference (CAVI) algorithm for Bayesian Mixed Data Sampling (MIDAS) regression with linear weight parameteri zations. The model separates impact coe cients from weighting function parameters through a normalization constraint, creating a bilinear structure that renders generic Hamiltonian Monte Carlo samplers unreliable while preserving conditional conju gacy exploitable by CAVI. Each variational update admits a closed-form solution: Gaussian for regression coe cients and weight parameters, Inverse-Gamma for the error variance. The algorithm propagates uncertainty across blocks through second moments, distinguishing it from naive plug-in approximations. In a Monte Carlo study spanning 21 data-generating con gurations with up to 50 predictors, CAVI produces posterior means nearly identical to a block Gibbs sampler benchmark while achieving speedups of 107x to 1,772x (Table 9). Generic automatic di eren tiation VI (ADVI), by contrast, produces bias 714 times larger while being orders of magnitude slower, con rming the value of model-speci c derivations. Weight function parameters maintain excellent calibration (coverage above 92%) across all con gurations. Impact coe cient credible intervals exhibit the underdispersion characteristic of mean- eld approximations, with coverage declining from 89% to 55% as the number of predictors grows a documented trade-o between speed and interval calibration that structured variational methods can address. An empirical application to realized volatility forecasting on S&P 500 daily returns con rms that CAVI and Gibbs sampling yield virtually identical point forecasts, with CAVI completing each monthly estimation in under 10 milliseconds.
• Abstract（参考訳）: 線形重みパラメータジネーションを用いたベイズ混合データサンプリング(MIDAS)回帰のための座標アセント変分推論(CAVI)アルゴリズムを開発した。 このモデルでは、衝突コーエンを正規化制約によって重み付け関数パラメータから分離し、CAVIによって悪用される条件付き共役性を維持しながら、ジェネリックハミルトニアンモンテカルロサンプリングを信頼できない双線型構造を生成する。 回帰コーエンと重みパラメータのガウス的、誤差分散の逆ガンマ。 このアルゴリズムはブロック間の不確実性を第2モーメントを通じて伝播し、単純なプラグイン近似と区別する。 モンテカルロの研究では、最大50個の予測器を持つ21個のデータ生成コングレーションにまたがって、CAVIは107xから1,772x(テーブル9)のスピードアップを達成しながら、ブロックギブスサンプルラーベンチマークとほぼ同一の後方平均を生成する。 対照的に、ジェネリック・オートマチック・ジ・エレン・ティアレーションVI(ADVI)は714倍のバイアスを発生させ、桁数が桁違い遅くなり、モデル-特殊cの導出値が低下する。 重み関数パラメータは、すべてのcon gurationに対して優れたキャリブレーション(カバーは92%以上)を維持している。 衝突コーエン信頼区間は平均エルド近似の低分散特性を示し、予測器の数が速度と間隔のキャリブレーションの間の文書化トレードオフを増大させるため、カバー範囲は89%から55%に減少する。 S&P 500日当たりのボラティリティ予測を実現するための実証的な応用として、CAVIとGibsのサンプリングでほぼ同じ点予測が得られ、CAVIは毎月10ミリ秒未満で予測を完了している。

関連論文リスト

• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Mean-field Variational Bayes for Sparse Probit Regression [0.9023847175654603]
  回帰係数に先行するスパイク・アンド・スラブとのプロビットリンクの下での2進結果に対するベイズ変数の選択について検討する。 マルコフ連鎖モンテカルロの高次元状態における計算問題に触発され,平均場変動ベイズ近似を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:16:31Z)
• Multi-Task Deep Learning for Surface Metrology [0.0]
  表面テクスチャパラメータを予測するために,再現可能な深層学習フレームワークを提案する。 不確実性は、量子的およびヘテロセダスティックなヘッドによってモデル化され、ポストホック共形キャリブレーションにより、キャリブレーションされた間隔が生成される。
  論文  参考訳（メタデータ） (2025-10-23T08:38:18Z)
• Uncertainty-aware data assimilation through variational inference [1.0214749455979089]
  決定論的機械学習アプローチに対する変分推論に基づく拡張を提案する。 我々の新しいモデルは、ほぼ完全に校正された予測が得られることを示す。
  論文  参考訳（メタデータ） (2025-10-20T07:54:35Z)
• Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins [3.776919981139063]
  内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。 リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-05T20:14:48Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
  高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。 これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。 拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-10T01:26:16Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。