論文の概要: Doubly Outlier-Robust Online Infinite Hidden Markov Model

• arxiv url: http://arxiv.org/abs/2604.14322v1
• Date: Wed, 15 Apr 2026 18:23:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.985341
• Title: Doubly Outlier-Robust Online Infinite Hidden Markov Model
• Title（参考訳）: 2倍のアウトリー・ロバストオンライン隠れマルコフモデル
• Authors: Horace Yiu, Leandro Sánchez-Betancourt, Álvaro Cartea, Gerardo Duran-Martin,
• Abstract要約: オンライン無限隠れマルコフモデル(iHMM)の堅牢な更新規則を導出する。 我々は、後部影響関数(PIF)を介してロバスト性を定義し、オンラインiHMMがPIFに束縛された条件を提供する。 BR-iHMMは、本データ、時間ごとの電力需要、合成高次元線形システムにまたがって、1段階の予測誤差を最大67%削減する。
• 参考スコア（独自算出の注目度）: 1.3918848543076063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We derive a robust update rule for the online infinite hidden Markov model (iHMM) for when the streaming data contains outliers and the model is misspecified. Leveraging recent advances in generalised Bayesian inference, we define robustness via the posterior influence function (PIF), and provide conditions under which the online iHMM has bounded PIF. Imposing robustness inevitably induces an adaptation lag for regime switching. Our method, which is called Batched Robust iHMM (BR-iHMM), balances adaptivity and robustness with two additional tunable parameters. Across limit order book data, hourly electricity demand, and a synthetic high-dimensional linear system, BR-iHMM reduces one-step-ahead forecasting error by up to 67% relative to competing online Bayesian methods. Together with theoretical guarantees of bounded PIF, our results highlight the practicality of our approach for both forecasting and interpretable online learning.
• Abstract（参考訳）: オンライン無限隠蔽マルコフモデル(iHMM)に対して,ストリームデータが外れ値を含み,そのモデルが誤特定された場合に,ロバストな更新ルールを導出する。 ベイズ推論の最近の進歩を活用して、後部影響関数(PIF)を介してロバスト性を定義し、オンラインiHMMがPIFに束縛された条件を提供する。 強靭性を導入すると、必然的にレシエーションスイッチングの適応ラグが生じる。 Batched Robust iHMM (BR-iHMM) と呼ばれるこの手法は、適応性とロバスト性を2つの追加の調整可能なパラメータでバランスさせる。 BR-iHMMは、制限順序帳データ、時間ごとの電力需要、合成高次元線形システムを通じて、競合するオンラインベイズ手法と比較して1ステップ先予測誤差を最大67%削減する。 本研究は,有界PIFの理論的保証とともに,オンライン学習の予測と解釈の両面でのアプローチの実践性を強調した。

関連論文リスト

• Forward Consistency Learning with Gated Context Aggregation for Video Anomaly Detection [17.79982215633934]
  ビデオ異常検出(VAD)は、リアルタイム監視システムにおける各種イベントの正常パターンからの偏差を測定することを目的としている。 既存のVAD手法の多くは、リソース制限されたエッジデバイスへの実現可能性を制限するため、極端な精度を追求するために大規模なモデルに依存している。 本稿では,Gatedコンテキストアグリゲーションを用いたフォワード整合学習を実現する軽量なVADモデルFoGAを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T04:35:31Z)
• Uncertainty Guided Online Ensemble for Non-stationary Data Streams in Fusion Science [3.6886967341942785]
  本稿では,トロイダルフィールドコイルの偏向予測のためのドリフトデータストリームへのオンライン学習の適用について述べる。 従来のオンライン学習は、予測を行う前に基礎的な真実が利用できないため、短期的なパフォーマンス劣化に悩まされる可能性がある。 本稿では,パフォーマンス向上のための不確実性誘導型オンラインアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T22:03:37Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Margin Matching Preference Optimization: Enhanced Model Alignment with Granular Feedback [64.67540769692074]
  人間のフィードバックからの強化学習など、アライメント技術で微調整された大規模言語モデル(LLM)は、これまでで最も有能なAIシステムの開発に役立っている。 マージンマッチング選好最適化(MMPO)と呼ばれる手法を導入し、相対的な品質マージンを最適化し、LLMポリシーと報酬モデルを改善する。 人間とAIの両方のフィードバックデータによる実験によると、MMPOはMT-benchやRewardBenchといった一般的なベンチマークにおいて、ベースラインメソッドよりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-10-04T04:56:11Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Online Probabilistic Model Identification using Adaptive Recursive MCMC [8.465242072268019]
  適応再帰的マルコフ連鎖モンテカルロ法(ARMCMC)を提案する。 モデルパラメータの確率密度関数全体を計算しながら、従来のオンライン手法の欠点を解消する。 本研究では,ソフト曲げアクチュエータとハント・クロスリー動的モデルを用いてパラメータ推定を行った。
  論文  参考訳（メタデータ） (2022-10-23T02:06:48Z)
• Online Learning Based Risk-Averse Stochastic MPC of Constrained Linear Uncertain Systems [0.0]
  本稿では, 線形時間不変系のデータ駆動型モデル予測制御(MPC)の設計問題について検討する。 本研究では,条件付きバリュー・アット・リスク(CVaR)制約があいまいさ集合と呼ばれる分布の族を拘束するために必要となる,オンライン学習に基づくリスク変動型MPCフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-20T13:00:28Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。