論文の概要: Enhanced Random Subspace Local Projections for High-Dimensional Time Series Analysis

• arxiv url: http://arxiv.org/abs/2603.07500v1
• Date: Sun, 08 Mar 2026 07:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.694291
• Title: Enhanced Random Subspace Local Projections for High-Dimensional Time Series Analysis
• Title（参考訳）: 高次元時系列解析のための拡張ランダム部分空間局所射影
• Authors: Eman Khalid, Moimma Ali Khan, Zarmeena Ali, Abdullah Illyas, Muhammad Usman, Saoud Ahmed,
• Abstract要約: 高次元時系列予測は、予測器の数が観測可能な数を超えると、過度なオーバーフィッティングに悩まされる。 本稿では,堅牢なインパルス応答推定を実現するために,Random Subspace Local Projection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）: 0.6932353421310916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional time series forecasting suffers from severe overfitting when the number of predictors exceeds available observations, making standard local projection methods unstable and unreliable. We propose an enhanced Random Subspace Local Projection (RSLP) framework designed to deliver robust impulse response estimation in the presence of hundreds of correlated predictors. The method introduces weighted subspace aggregation, category-aware subspace sampling, adaptive subspace size selection, and a bootstrap inference procedure tailored to dependent data. These enhancements substantially improve estimator stability at longer forecast horizons while providing more reliable finite-sample inference. Experiments on synthetic data, macroeconomic indicators, and the FRED-MD dataset demonstrate a 33 percent reduction in estimator variability at horizons h >= 3 through adaptive subspace size selection. The bootstrap inference procedure produces conservative confidence intervals that are 14 percent narrower at policy-relevant horizons in very high-dimensional settings (FRED-MD with 126 predictors) while maintaining proper coverage. The framework provides practitioners with a principled approach for incorporating rich information sets into impulse response analysis without the instability of traditional high-dimensional methods.
• Abstract（参考訳）: 高次元時系列予測は、予測器の数が観測値を超えると過度なオーバーフィッティングに悩まされ、標準的な局所射影法は不安定で信頼性が低い。 本稿では,数百の相関予測器が存在する場合の強いインパルス応答推定を実現するために,Random Subspace Local Projection (RSLP) フレームワークを提案する。 本手法では,重み付き部分空間アグリゲーション,カテゴリ対応部分空間サンプリング,適応部分空間サイズ選択,および依存データに適したブートストラップ推論手順を導入する。 これらの拡張は、より信頼性の高い有限サンプル推論を提供しながら、より長い予測地平線における推定器の安定性を大幅に改善する。 合成データ, マクロ経済指標, FRED-MDデータセットを用いた実験では, 適応的な部分空間サイズ選択により, 地平線h>=3での推定器の変動率を33%低減した。 ブートストラップ推論手順は、極めて高次元設定(FRED-MDと126の予測器)において、ポリシー関連地平線において、適切なカバレッジを維持しつつ、14パーセント狭い保守的信頼区間を生成する。 このフレームワークは,従来の高次元手法の不安定さを伴わずに,豊富な情報集合をインパルス応答解析に組み込む,原則化されたアプローチを提供する。

関連論文リスト

• Sparse classification with positive-confidence data in high dimensions [0.0]
  高次元学習問題は、しばしば効果的な予測と変数選択のために正規化を必要とする。 既存のPconf法は高次元統計学には不適である。 本稿では,高次元学習のためのスパースペナル化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-30T19:53:50Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection [0.0]
  時空間投影(STP)は,高次元および時間分解データに対するデータ駆動予測手法として導入された。 この方法は、後流と予測間隔の両方からなる予測水平線にまたがるトレーニングデータから、拡張時空間固有モードを算出する。
  論文  参考訳（メタデータ） (2025-03-31T03:36:59Z)
• Volume-Sorted Prediction Set: Efficient Conformal Prediction for Multi-Target Regression [9.559062601251464]
  マルチターゲット回帰における不確実性のための新しい手法であるVolume-Sorted Prediction Set (VSPS)を紹介する。 複雑な高次元設定における情報予測モデルを維持しながら,VSPSがより小さく,より多くの領域を生成することを示す。
  論文  参考訳（メタデータ） (2025-03-04T02:34:59Z)
• Spatial Conformal Inference through Localized Quantile Regression [6.992239210938067]
  等角予測はパラメトリックな仮定に頼ることなく有効な予測間隔を提供する。 本研究では,空間データに特化して設計された共形予測法である局所空間整形予測(L SCP)を提案する。 L SCP は既存の手法に比べて非常に厳密で一貫した予測間隔で正確なカバレッジを実現する。
  論文  参考訳（メタデータ） (2024-12-02T04:15:06Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)

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。