論文の概要: StaFIR: Convex Learning of Stationarity-Aware Causal Filters

• arxiv url: http://arxiv.org/abs/2610.07430v1
• Date: Mon, 05 Oct 2026 21:37:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.681918
• Title: StaFIR: Convex Learning of Stationarity-Aware Causal Filters
• Title（参考訳）: StaFIR: 定常型因果フィルタの凸学習
• Abstract要約: 指数ラグプロファイルを非負混合した因果的有限インパルス応答フィルタ StaFIR を提案する。 StaFIRは定常状態における不要な変換を制限しながら、フィルタ強度を持続性に調整する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reducing nonstationarity in a persistent time series entails deciding how much of its temporal dependence to remove. In finance, fractional differencing is often tuned using the Augmented Dickey--Fuller (ADF) test, limiting the search to a one-parameter family of lag profiles and addressing input preservation only indirectly. We propose StaFIR, a causal finite-impulse-response filter with a learned nonnegative mixture of exponential lag profiles. Its convex learning objective balances empirical stationarity with similarity to the input. We evaluate StaFIR on ARFIMA--GARCH controlled settings and rolling financial series, including a realized-volatility forecasting task. The experiments show that StaFIR adjusts its filtering strength to persistence while limiting unnecessary transformation in stationary regimes. In downstream forecasting, there is no clear accuracy difference from fixed half-order differencing, while StaFIR achieves higher measured similarity to the raw signal. A complementary direct forecasting experiment finds that greater input similarity is associated with smaller forecasting penalties, although the raw representation remains stronger.
• Abstract（参考訳）: 永続的時系列における非定常性を減らすには、その時間的依存の量を決定する必要がある。 財務面では、分数差分はADF(Augmented Dickey-Fuller)テストを用いて調整されることが多く、検索はラグプロファイルの1パラメータファミリーに制限され、間接的にのみ入力保存に対処する。 指数ラグプロファイルを非負混合した因果的有限インパルス応答フィルタ StaFIR を提案する。 凸学習の目的は、経験的定常性と入力との類似性のバランスをとる。 我々は,ARFIMA-GARCH制御設定および実効変動予測タスクを含むロールファイナンシャルシリーズについて,StaFIRの評価を行った。 実験により, StaFIRは定常状態における不要な変換を制限しながら, フィルタ強度を持続性に調整することを示した。 下流予測では、固定半次差分と明確な精度差はないが、StaFIRは生信号と高い測定値の類似性を達成する。 相補的な直接予測実験により、入力の類似性はより小さい予測のペナルティと結びついていることが分かるが、生の表現はより強いままである。

関連論文リスト

• Learning-based Probabilistic Load Forecasting with Post-hoc and In-model Uncertainty [0.0]
  我々は,1日ごとの確率予測フレームワークを開発した。 モジュラー・ポストホック残量学習スキームとインモデル量子学習スキームを比較した。 この結果から, 再構成された入力に依存する場合の残差量子化の限界が明らかとなった。
  論文  参考訳（メタデータ） (2026-07-14T13:02:18Z)
• Adaptive MPPI with Online Disturbance Covariance Estimation: Provable Stability Tightening via Spatial Smoothing [0.0]
  付加過程障害を有する非線形系のモデル予測経路積分(MPPI)制御について検討する。 不一致な外乱共分散は閉ループ安定性証明書に永続的なペナルティをもたらす。
  論文  参考訳（メタデータ） (2026-07-09T21:12:40Z)
• Certified Interventional Fidelity: Anytime-Valid, Adaptive Evaluation of Causal Claims in Mechanistic Interpretability [0.0]
  Certified Interventional Fidelity (CIF)は、介入解釈可能性評価のための統計層である。 CIFは、高忠実性クレームを認定し、明らかな方法の違いが統計的にサポートされていないことを示し、介入分布に対する感度を明示する。
  論文  参考訳（メタデータ） (2026-07-09T10:55:04Z)
• Finite Reliability Representations: Noise-Calibrated Belief-Space Covers for Reliable Decision-Making [0.0]
  信頼性セルによる信念空間を包含するフレームワークであるFinite Reliability Representations (FRR)を紹介する。 FRRは状態ではなく信念に基づいて定式化され、同値商ではなく表紙を使用する。 有限POMDP、線形ガウスフィルタ、局所線型化非線形フィルタ、粒子フィルタの実装に適用できる。
  論文  参考訳（メタデータ） (2026-07-04T20:30:48Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Technical note on Sequential Test-Time Adaptation via Martingale-Driven Fisher Prompting [3.5808917363708743]
  M-FISHERは、ストリーミングデータにおける逐次分布シフト検出と安定した適応のための方法である。 検出のために、非整合性スコアから指数的マーチンゲールを構築し、Villeの不等式を適用し、偽アラーム制御の時間一様保証を得る。 適応のために、フィッシャー条件によるプロンプトパラメータの更新は、分布多様体上の自然な勾配降下を実装していることを示す。
  論文  参考訳（メタデータ） (2025-10-04T15:31:26Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)

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。