論文の概要: Scan-Parallel Variational Inference for event-driven Latent Jump Models

• arxiv url: http://arxiv.org/abs/2610.12986v1
• Date: Fri, 09 Oct 2026 04:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.391066
• Title: Scan-Parallel Variational Inference for event-driven Latent Jump Models
• Title（参考訳）: 事象駆動型潜伏ジャンプモデルに対するスキャン・パラレル変分推定
• Abstract要約: 時間同次マルコフ過程に対する潜時ジャンプモデル(LJM)を導入する。 トレーニングのために、抽出可能なイベント拡張パス空間ローバウンド(ELBO)を導出し、Scan-Parallel Variational Inference(SPVI)を導入する。 合成系と実不規則時系列全体において、LJMは予測精度において連続時間潜時ベースラインと競合し続けている。
• 参考スコア（独自算出の注目度）: 3.4994640206211245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous-time latent state-space models are widely used for irregularly observed time series, typically representing uncertainty through a random initial state followed by smooth ordinary differential equation (ODE) dynamics, or Brownian perturbations accumulated by a stochastic differential equation (SDE). While these constructions are natural for smooth or diffusive systems, they do not directly encode a finite set of unobserved shocks whose timing, magnitude, and effect on memory are themselves uncertain. We instead introduce latent jump models (LJMs): the latent state follows closed-form deterministic dynamics between Poisson-driven event times and undergoes a learned instantaneous jump at each event, with state-dependent intensity and mark distributions. This defines a time-homogeneous Markov process whose jumps are intrinsic state transitions rather than numerical integration steps. For training, we derive a tractable event-augmented path-space evidence lower bound (ELBO) and introduce Scan-Parallel Variational Inference (SPVI): an observation-conditioned variational posterior samples the complete latent event configuration before the state recurrence is evaluated using triangular affine scans. This enables fast and scalable training for LJMs in logarithmic temporal depth. Across synthetic stochastic systems and real irregular time series, LJMs remain competitive with continuous-time latent baselines in forecast accuracy, often with fewer latent updates than numerical solver evaluations, while training one to two orders of magnitude faster than the sequential baselines.
• Abstract（参考訳）: 連続時間潜時状態空間モデルは不規則に観測された時系列に対して広く用いられ、典型的にはランダムな初期状態を通して不確実性を表すのに、滑らかな常微分方程式(ODE)力学、あるいは確率微分方程式(SDE)によって蓄積されるブラウン摂動が続く。 これらの構造は滑らかな系や拡散系には自然であるが、時間、大きさ、記憶への影響が不確かであるような、観測されていない衝撃の有限セットを直接符号化するわけではない。 潜在状態は、ポアソン駆動のイベント時間間の閉形式決定論的ダイナミクスに従い、各イベントにおいて学習された瞬間的なジャンプを実行し、状態依存的な強度とマーク分布を持つ。 これは、ジャンプが数値積分ステップではなく本質的な状態遷移である時間同質マルコフ過程を定義する。 トレーニングでは,抽出可能なイベント拡張パススペースエビデンス(ELBO)を導出し,Scan-Parallel Variational Inference(SPVI)を導入する。 これにより、対数時間深度におけるLJMの高速でスケーラブルなトレーニングが可能になる。 合成確率系と実不規則時系列全体にわたって、LJMは予測精度において連続時間潜時ベースラインと競合し続け、数値解法よりも潜時更新が少ないことが多いが、逐次ベースラインよりも1～2桁早く訓練する。

関連論文リスト

• Continuous-Time Trajectory Generation from Discrete Observations with Stochasticity [10.435660314952532]
  PhiBE-Flowは微分方程式(SDE)によって誘導される確率速度場を直接推定するフレームワークである PhiBE-Flowは、SDE係数もスコア推定も必要としないモデルフリーアプローチを用いて、離散的な観測から学習する。
  論文  参考訳（メタデータ） (2026-09-25T21:46:00Z)
• Discretizing Continuous Time Series for Imputation with Masked Diffusion Training [3.978640858147917]
  時系列計算は信頼性のある時系列解析にとって重要な領域であるが、実世界のデータの複雑な時間的ダイナミクスとノイズのため、依然として困難である。 しかし、既存のアプローチには2つの制限がある: 欠落と観測された値は明示的な構造的分離なしに同じ表現空間に埋め込まれる。 本研究では,マスク拡散モデルのトレーニングパラダイムを応用したMasked Diffusion Time-Series Imputation Model (MDTIM)を提案する。 実験の結果, MDTIMは優れた堅牢性とスケーラビリティを達成でき, 様々なシナリオにおいて, 最先端の意思決定的, 生成的ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-08-19T17:16:27Z)
• Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts [60.95873409673775]
  連続時間潜在微分方程式モデルにおける識別可能性はほとんど開のままである。 未知の非線形微分同相を通じて観測される付加ノイズ潜在SDEについて検討した。 本稿では,2段階の遅延不整合とグラフ復元のための推定器を提案する。
  論文  参考訳（メタデータ） (2026-06-26T16:18:28Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Neural Stochastic Flows: Solver-Free Modelling and Inference for SDE Solutions [23.147474211347856]
  我々はニューラルフロー(NSF)とその潜伏変種を導入し、SDE遷移則を直接学習する(最近)。 合成SDEシミュレーションと実世界の追跡とビデオデータを用いた実験により,NSFは数値的アプローチに匹敵する分布精度を維持していることが示された。
  論文  参考訳（メタデータ） (2025-10-29T17:59:06Z)
• 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)
• Nonparametric and Regularized Dynamical Wasserstein Barycenters for Sequential Observations [16.05839190247062]
  有限状態間の段階的遷移を示す逐次観測の確率論的モデルを考える。 純状態量子関数の更新と偏心重みの交互に循環降下を用いた有限次元推定問題を数値的に解く。 シミュレーションと実世界における人間の活動時系列のセグメンテーションにおける提案アルゴリズムの有用性を実証する。
  論文  参考訳（メタデータ） (2022-10-04T21:39:55Z)
• Dynamical Wasserstein Barycenters for Time-series Modeling [16.212262513825717]
  ほとんどの先行研究は、純粋な離散状態間の即時遷移を前提としている。 本稿では,時間とともにシステム状態を推定するWasserstein Barycentric (DWB)モデルを提案する。 いくつかの人的活動データセットの実験により、提案したDWBモデルが純粋状態の生成過程を正確に学習できることが示されている。
  論文  参考訳（メタデータ） (2021-10-13T14:20:06Z)
• The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
  我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。 この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
  論文  参考訳（メタデータ） (2021-01-16T17:11:02Z)

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。