Fugu-MT 論文翻訳(概要): Time-partitioning Gaussian Process Mixture Model

論文の概要: Time-partitioning Gaussian Process Mixture Model

arxiv url: http://arxiv.org/abs/2610.20860v1
Date: Wed, 14 Oct 2026 19:52:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-16 19:13:16.047468
Title: Time-partitioning Gaussian Process Mixture Model
Title（参考訳）: 時間分割ガウス過程混合モデル
Abstract要約: 本稿では,定常状態を特定し,時系列における非定常依存をモデル化するためのベイズ的非パラメトリックフレームワークを提案する。このモデルは適応的なピットマン-ヨル(英語版)を、マルコフ内部-登録依存を含まずに、連続なセグメンテーションに先立って、レギュラー固有のガウス過程と組み合わせる。
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: We propose the Time-partitioning Gaussian Process Mixture Model (TPGPMM), a Bayesian nonparametric framework for identifying persistent regimes and modelling nonstationary dependence in time series. The model combines an adaptive Pitman--Yor prior on contiguous segmentations with regime-specific Gaussian processes, without imposing Markovian within-regime dependence. Learning the Pitman--Yor discount parameter allows adaptation to homogeneous and heterogeneous regime lengths. A split--merge Metropolis-within-Gibbs sampler with exact Gibbs boundary updates jointly learns change points and model hyperparameters, quantifying uncertainty over segmentations and within-regime dynamics. With an RBF kernel and a fixed, conservative observation-noise level, TPGPMM favours sparse segmentations that distinguish persistent shifts from transient shocks. Simulations demonstrate recovery of the regime structure. Applications to the CBOE Volatility Index (VIX) and the 10-year United States Treasury yield identify regimes aligned with major market and monetary-policy events. Variants that estimate observation noise improve predictive accuracy relative to the main specification, but can produce less sparse or less event-aligned segmentations. A variant with regime-specific means fits better than a fitted stationary Gaussian process and forecasts about as accurately. These results highlight a trade-off between interpretable regime identification and predictive accuracy.
Abstract（参考訳）: 本稿では,時間分割ガウス過程混合モデル (TPGPMM) を提案する。このモデルは適応的なピットマン-ヨル(英語版)を、マルコフ内部-登録依存を含まずに、連続なセグメンテーションに先立って、レギュラー固有のガウス過程と組み合わせる。ピットマン・ヨー・ディスカウントパラメータの学習は、均質かつ異質な状態長への適応を可能にする。分割-マージされたMetropolis-within-Gibbsサンプルと正確なギブス境界更新は、変更点とモデルハイパーパラメータを共同で学習し、セグメンテーションとレジスタ内ダイナミクスの不確実性を定量化する。 RBFカーネルと固定された保守的な観測ノイズレベルにより、TPGPMMは過渡的ショックからの永続的なシフトを区別するスパースセグメンテーションを好む。シミュレーションは構造構造の回復を示す。 CBOEボラティリティ指数(VIX)や米財務省の10年債利回りの申請は、主要な市場や金融政策の出来事に対応する体制を特定できる。観測ノイズを推定する変数は、メイン仕様と比較して予測精度を向上させるが、スパースやイベント整列のセグメンテーションは少ない。規則固有の手段を持つ変種は、固定されたガウス過程よりも適しており、およそ正確に予測できる。これらの結果は、解釈可能な状態同定と予測精度のトレードオフを浮き彫りにする。

関連論文リスト

Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文参考訳（メタデータ） (2026-08-24T15:06:18Z)
From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文参考訳（メタデータ） (2026-07-10T20:59:06Z)
AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文参考訳（メタデータ） (2026-06-02T13:30:54Z)
Why SGD is not Brownian Motion: A New Perspective on Stochastic Dynamics [92.39053980710702]
グラディエント・Descent (SGD) は通常ランゲヴィン過程としてモデル化され、ミニバッチノイズがブラウン運動として働くと仮定される。この近似は、連続時間制限と、離散的なSGD更新を有限学習率で一致しないsqrt(eta)ノイズスケーリングに依存している。ミニバッチサンプリングによって誘導されるゆらぎのある損失景観における決定論的力学としてのSGDの別の定式化を提案する。
論文参考訳（メタデータ） (2026-05-21T15:50:40Z)
DeRegiME: Deep Regime Mixtures for Probabilistic Forecasting under Distribution Shift [10.952188121974613]
DeRegiMEは、直接マルチホライズン確率予測器である。潜伏した不確実性体制と根底にある信号とを分離する。各予測位置を学習された繰り返しレジームに割り当てる。
論文参考訳（メタデータ） (2026-05-19T01:04:21Z)
RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction [11.259098206661077]
本稿では適応型コンフォーマル時系列予測のためのレギュレーション対応検索手法であるRareCPを紹介する。 RareCPはコサイン・アテンションの専門家の混合を通して局所的なキャリブレーション表現を学習する。符号付き残基上に重み付き共形量子が形成され、非対称な予測間隔が生じる。
論文参考訳（メタデータ） (2026-05-09T10:12:07Z)
Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
論文参考訳（メタデータ） (2026-03-23T17:14:11Z)
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)
TimeGMM: Single-Pass Probabilistic Forecasting via Adaptive Gaussian Mixture Models with Reversible Normalization [23.69545884322676]
TimeGMMは、単一のフォワードパスで複雑な将来の分布をキャプチャする新しいフレームワークである。最先端の手法を一貫して上回り、CRPSでは22.48%、NMAEでは21.23%の最大改善を実現している。
論文参考訳（メタデータ） (2026-01-18T07:02:13Z)
The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文参考訳（メタデータ） (2025-12-21T06:08:22Z)

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。