論文の概要: Inspectable Neural Markov Models for Non-Stationary Time Series

• arxiv url: http://arxiv.org/abs/2605.30943v1
• Date: Fri, 29 May 2026 07:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.450439
• Title: Inspectable Neural Markov Models for Non-Stationary Time Series
• Title（参考訳）: 非定常時系列に対する検査可能なニューラルマルコフモデル
• Abstract要約: ニューラルネットワークを用いてマルコフ鎖の多様体をパラメータ化するハイブリッド手法を提案する。 実効ボラティリティの条件付けは、リターンベース状態よりも内部的に一貫したマルコフ構造を生成することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling non-stationary stochastic systems requires balancing the representational capacity of deep learning with the structural transparency of classical probabilistic models. Markov transition matrices provide such a framework, but traditional frequency-based estimation collapses at high resolutions due to data sparsity. We propose a hybrid approach that parameterizes the manifold of stochastic matrices through a neural network, enabling estimation of time-inhomogeneous Markov chains in sparse-data regimes, and use financial markets as a testbed to investigate the Markov state variable as a critical inductive bias. We show that conditioning on realized volatility produces a more internally consistent Markovian structure than return-based states, achieving a $5.6\%$ reduction in Chapman-Kolmogorov discrepancy and superior held-out likelihood in 9 of 10 assets. Unlike black-box sequence models, our approach generates explicit matrices amenable to direct geometric analysis, surfacing structural findings such as the universal homogenization of transition probabilities under high-volatility regimes.
• Abstract（参考訳）: 非定常確率システムのモデル化には、ディープラーニングの表現能力と古典確率モデルの構造的透明性のバランスが必要である。 マルコフ遷移行列はそのようなフレームワークを提供するが、従来の周波数ベースの推定はデータの分散によって高分解能で崩壊する。 本稿では,ニューラルネットワークを用いて確率行列の多様体をパラメータ化し,スパースデータ状態における時間的不均一なマルコフ連鎖の推定を可能にし,金融市場をテストベッドとして利用してマルコフ状態変数を重要な帰納バイアスとして調査するハイブリッドアプローチを提案する。 実効ボラティリティの条件付けは、リターンベースの状態よりも内部的に一貫性のあるマルコフ構造を生み出し、チャップマン・コルモゴロフの差が5.6 %減少し、10の資産のうち9の保持率に優れることを示す。 ブラックボックス・シークエンス・モデルと異なり, この手法は, 高ボラティリティ条件下での遷移確率の普遍的均質化などの構造的発見を克服し, 直接幾何学的解析に寄与する明らかな行列を生成する。

関連論文リスト

• Volterra Generative Models [0.0]
  本稿では,Volterra生成モデルについて紹介する。 我々は、二乗誤差境界を証明し、拡張線形ガウス前方過程を導出し、学習がデータ次元のままであることを示す。 MNISTとCIFAR-10の実験では、小さなマルコフリフトによる持続的な分数摂動がスコアベース生成を改善することが示されている。
  論文  参考訳（メタデータ） (2026-06-16T15:40:09Z)
• Nonlinear and Heavy-Tailed Predictability in Transition-Energy Financial Markets [0.0]
  本稿では,遷移関連金融リターンが非線形予測可能性を示すかどうかを考察する。 本研究では,学生ベクトルオートレグレッションと非線形再帰学習アーキテクチャを組み合わせたハイブリッド予測フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-05-26T11:52:31Z)
• Learning Time-Inhomogeneous Markov Dynamics in Financial Time Series via Neural Parameterization [0.0]
  本稿では、ニューラルネットワークをパラメータ化エンジンとして厳密に活用して、明示的で時間的なマルコフ遷移行列を生成するフレームワークを提案する。 ニューラルネットワークが予測を形式演算子として出力することを制約することにより、完全な構造的解釈可能性を維持する。 このフレームワークは、複雑な実世界の時系列に対して厳密で古典的な演算子分析を実行可能なものにするために、ニューラルネットワークをいかに制約するかを示す。
  論文  参考訳（メタデータ） (2026-05-06T09:39:04Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• On Forgetting and Stability of Score-based Generative models [6.259598237089842]
  生成モデルの安定性と長時間の挙動を理解することは、現代の機械学習における根本的な問題である。 本稿では, スコアベース生成モデルのサンプリング誤差について, 安定性を活用し, 逆時間力学に関連したマルコフ連鎖の性質を忘れることにより定量的に考察する。
  論文  参考訳（メタデータ） (2026-01-29T15:37:50Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Low-Rank Tensors for Multi-Dimensional Markov Models [33.35376484951434]
  多次元状態空間上の遷移確率を表す低ランクテンソルを提案する。 提案したモデルでは,行列ベースのアプローチよりも少ないパラメータで類似表現が得られる。
  論文  参考訳（メタデータ） (2024-11-04T14:06:49Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• On the Identifiability of Switching Dynamical Systems [34.514858559727266]
  潜在変数モデルの識別可能性は、解釈可能性と分布外一般化の関係から注目されている。 スイッチング力学系の識別可能性について検討し, 逐次潜在変数モデルへの識別可能性解析の展開に向けた第一歩を踏み出した。
  論文  参考訳（メタデータ） (2023-05-25T10:53:18Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
  非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。 提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
  論文  参考訳（メタデータ） (2020-09-29T15:00:47Z)

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。