論文の概要: DeepLévy: Learning Heavy-Tailed Uncertainty in Highly Volatile Time Series

• arxiv url: http://arxiv.org/abs/2605.10364v2
• Date: Tue, 12 May 2026 12:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 18:21:07.125427
• Title: DeepLévy: Learning Heavy-Tailed Uncertainty in Highly Volatile Time Series
• Title（参考訳）: DeepLévy:高度に揮発性のある時系列で重心不確かさを学ぶ
• Authors: Yang Yang, Du Yin, Hao Xue, Flora Salim,
• Abstract要約: DeepLévyは、Lévyの安定分布の混合を学習するニューラルネットワークフレームワークである。 DeepLévyには、複数のLévyコンポーネント上でコンテキスト依存の重みとパラメータを適応的に学習する混合メカニズムが組み込まれている。
• 参考スコア（独自算出の注目度）: 6.2509441706443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling uncertainty in heavy-tailed time series remains a critical challenge for deep probabilistic forecasting models, which often struggle to capture abrupt, extreme events. While Lévy stable distributions offer a natural framework for modeling such non-Gaussian behaviors, the intractability of their probability density functions severely limits conventional likelihood-based inference. To address this, we introduce DeepLévy, a neural framework that learns mixtures of Lévy stable distributions by minimizing the discrepancy between empirical and parametric characteristic functions. DeepLévy incorporates a mixture mechanism that adaptively learns context-dependent weights and parameters over multiple Lévy components, enabling flexible multi-horizon uncertainty modeling. Evaluations on both real and synthetic datasets demonstrate that DeepLévy outperforms state-of-the-art deep probabilistic forecasting approaches in tail risk metrics, especially under extreme volatility.
• Abstract（参考訳）: 重尾時系列における不確実性のモデリングは、しばしば急激な極端な出来事を捉えるのに苦労する深い確率予測モデルにとって、依然として重要な課題である。 レヴィの安定分布はそのような非ガウス的挙動をモデル化するための自然な枠組みを提供するが、それらの確率密度関数の誘引性は従来の確率ベース推論を著しく制限する。 これを解決するために、経験的特徴関数とパラメトリック特徴関数の差を最小限に抑えて、レービー安定分布の混合を学習するニューラルネットワークフレームワークDeepLévyを導入する。 DeepLévyには、複数のLévyコンポーネント上でコンテキスト依存の重みとパラメータを適応的に学習する混合メカニズムが組み込まれており、柔軟なマルチ水平不確実性モデリングを可能にしている。 実データと合成データの両方で評価すると、DeepLévyは、特に極度のボラティリティの下で、テールリスクメトリクスにおける最先端の確率予測アプローチより優れていることが示されている。

関連論文リスト

• Probabilistic Circuits for Irregular Multivariate Time Series Forecasting [10.534258791589314]
  本稿では,確率回路に基づく確率的IMTS予測の新しいアーキテクチャであるCircuITSを提案する。 我々のモデルは、有効な関節分布を構造的に保証しつつ、時系列チャンネル間の複雑な依存関係を捉えるのに柔軟である。
  論文  参考訳（メタデータ） (2026-04-30T12:57:53Z)
• Generative forecasting with joint probability models [2.8367488114717094]
  カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
  論文  参考訳（メタデータ） (2025-12-30T20:00:09Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Calibration and Uncertainty Quantification of Bayesian Convolutional Neural Networks for Geophysical Applications [0.0]
  このような地下モデルによる予測の不確実性は、キャリブレーションされた確率と関連する不確かさを予測に組み込むのが一般的である。 一般的なディープラーニングベースのモデルは、しばしば誤解され、決定論的性質のため、予測の不確実性を解釈する手段がないことが示されている。 ベイズ形式論における畳み込みニューラルネットワークに基づく確率モデルを得るための3つの異なるアプローチを比較した。
  論文  参考訳（メタデータ） (2021-05-25T17:54:23Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。