論文の概要: Fast and Interpretable Autoregressive Estimation with Neural Network Backpropagation

• arxiv url: http://arxiv.org/abs/2603.19041v1
• Date: Thu, 19 Mar 2026 15:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.234876
• Title: Fast and Interpretable Autoregressive Estimation with Neural Network Backpropagation
• Title（参考訳）: ニューラルネットワークのバックプロパゲーションによる高速かつ解釈可能な自己回帰推定
• Authors: Anaísa Lucena, Ana Martins, Armando J. Pinho, Sónia Gouveia,
• Abstract要約: 本稿では,自己回帰構造を直接フィードフォワードNNに埋め込むことにより,AR推定のニューラルネットワーク(NN)による定式化を提案する。 その結果,提案手法は連続的に全系列のモデル係数を復元するが,CML(Conditional Likelihood)は約55%のケースで収束しないことがわかった。
• 参考スコア（独自算出の注目度）: 0.08155575318208629
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive (AR) models remain widely used in time series analysis due to their interpretability, but convencional parameter estimation methods can be computationally expensive and prone to convergence issues. This paper proposes a Neural Network (NN) formulation of AR estimation by embedding the autoregressive structure directly into a feedforward NN, enabling coefficient estimation through backpropagation while preserving interpretability. Simulation experiments on 125,000 synthetic AR(p) time series with short-term dependence (1 <= p <= 5) show that the proposed NN-based method consistently recovers model coefficients for all series, while Conditional Maximum Likelihood (CML) fails to converge in approximately 55% of cases. When both methods converge, estimation accuracy is comparable with negligible differences in relative error, R2 and, perplexity/likelihood. However, when CML fails, the NN-based approach still provides reliable estimates. In all cases, the NN estimator achieves substantial computational gains, reaching a median speedup of 12.6x and up to 34.2x for higher model orders. Overall, results demonstrate that gradient-descent NN optimization can provide a fast and efficient alternative for interpretable AR parameter estimation.
• Abstract（参考訳）: 自己回帰(AR)モデルは、解釈可能性のために時系列解析において広く使われているが、対数パラメータ推定法は計算に高価であり、収束の問題も生じやすい。 本稿では, 自己回帰構造を直接フィードフォワードNNに埋め込むことにより, AR推定のニューラルネットワーク(NN)による定式化を提案し, 解釈性を維持しつつ, バックプロパゲーションによる予測を可能にする。 短期依存性 (1 <= p <= 5) を持つ125,000個の合成AR(p) 時系列のシミュレーション実験により,提案手法は全系列のモデル係数を連続的に回復するが,条件付き最大公理(CML)では約55%のケースで収束しないことがわかった。 どちらの手法も収束すると、推定精度は相対誤差 R2 とパープレキシティ/類似度における無視可能な差に匹敵する。 しかし、CMLが失敗した場合、NNベースのアプローチは依然として信頼できる見積もりを提供する。 あらゆるケースにおいて、NN推定器は、より高いモデルオーダに対して、中央値の12.6倍、最大34.2倍の計算ゲインを達成する。 全体として、勾配差NN最適化は、解釈可能なARパラメータ推定の高速かつ効率的な代替手段となることを示した。

関連論文リスト

• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Error estimation for physics-informed neural networks with implicit Runge-Kutta methods [0.0]
  本研究では,NNの予測を高次暗黙的ルンゲ・クッタ(IRK)法で用いることを提案する。 方程式の暗黙の系における残差は、NNの予測誤差と関係し得るので、軌道に沿ったいくつかの点で誤差推定を行うことができる。 この誤差推定は,NNの予測誤差と非常に相関し,IRK法の順序を増大させることで,この推定精度が向上することが判明した。
  論文  参考訳（メタデータ） (2024-01-10T15:18:56Z)
• Bias-Reduced Neural Networks for Parameter Estimation in Quantitative MRI [0.13654846342364307]
  ニューラルネットワーク(NN)に基づく定量的MRIパラメータ推定器を開発した。
  論文  参考訳（メタデータ） (2023-11-13T20:41:48Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Learning Low Dimensional State Spaces with Overparameterized Recurrent Neural Nets [57.06026574261203]
  我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。 実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2022-10-25T14:45:15Z)
• Gaining Outlier Resistance with Progressive Quantiles: Fast Algorithms and Theoretical Studies [1.6457778420360534]
  任意の損失関数を強固化するために, 外部抵抗推定の枠組みを導入する。 通常のデータセットでは、データ再見積の回数を大幅に削減できるような、開始点の要件を緩和する新しい手法が提案されている。 得られた推定器は、必ずしも大域的でも大域的でもなくても、両方の低次元において最適性を楽しむことができる。
  論文  参考訳（メタデータ） (2021-12-15T20:35:21Z)
• Neural Estimation of Statistical Divergences [24.78742908726579]
  ニューラルネットワーク(NN)による経験的変動形態のパラメトリゼーションによる統計的発散推定の一手法 特に、近似と経験的推定という2つのエラー源の間には、根本的なトレードオフがある。 NN成長速度がわずかに異なる神経推定器は、最小値の最適値に近づき、パラメトリック収束率を対数因子まで達成できることを示す。
  論文  参考訳（メタデータ） (2021-10-07T17:42:44Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。