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

• arxiv url: http://arxiv.org/abs/2610.20860v2
• Date: Fri, 16 Oct 2026 14:12:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.554024
• 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: 本研究では,非定常予測のためのベイズ的非定常的枠組みを提案する。 TPGPMMは、マルコフの仮定なしで、レジームとそれらの内部登録依存をデータから推測する。 予測のために、ノイズレベルを推定する変種は、変更点ベースラインよりも適合し、メイン仕様よりも適合し、予測できる。
• 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: Nonstationarity and heterogeneous dynamics are common in financial and macroeconomic time series. Volatility alternates between calm and turbulent regimes, interest rates follow monetary-policy cycles, and major events trigger persistent structural shifts. We propose the Time-partitioning Gaussian Process Mixture Model (TPGPMM), a Bayesian nonparametric framework for regime identification and nonstationary prediction that infers such regimes and their within-regime dependence from data, without Markovian assumptions. It combines (i) an adaptive Pitman-Yor process prior on ordered compositions, mapped to block lengths with contiguity enforced by construction, and (ii) regime-specific Gaussian processes for temporal dependence, yielding a nonstationary predictive distribution. By inferring its discount parameter, the prior adapts to homogeneous and highly heterogeneous regime lengths. Unlike sequential or Markov-switching methods, it flags persistent structural shifts as change points rather than reacting to transient shocks. A split-merge Metropolis-within-Gibbs sampler with exact Gibbs updates of regime boundaries jointly learns change points and hyperparameters in batch, quantifying uncertainty over the partition and within-regime dynamics. With an RBF kernel and a fixed, data-informed noise level, TPGPMM produces a sparse, confident segmentation. On simulated data it recovers the true regimes, and on the CBOE Volatility Index and the 10-year US Treasury yield it identifies regimes aligned with documented market and monetary-policy events. For prediction, variants estimating the noise level fit better than change-point baselines and fit and forecast better than the main specification, at the cost of a less sparse or less event-aligned segmentation; with a regime mean, they fit better than a fitted stationary Gaussian process and have lower forecast RMSE except at the shortest horizons.
• Abstract（参考訳）: 非定常性とヘテロジニアス力学は、金融およびマクロ経済時系列において一般的である。 ボラティリティ(変動性)は穏やかな政権と乱暴な政権の間で交互に行われ、金利は金融政策のサイクルに沿っており、主要な出来事は持続的な構造的変化を引き起こす。 マルコフの仮定を使わずに、これらの規則とそれらの内部登録依存性をデータから推測する、状態同定と非定常予測のためのベイズ的非パラメトリックフレームワークである、時分割ガウス過程混合モデル(TPGPMM)を提案する。 組み合わせる 一 順序合成に先立つ適応的なピットマン・ムーアの工程で、建設により施行された連続性をブロックする長さにマッピングし、 (II) 時間的依存に対する体制固有のガウス過程は、非定常的な予測分布をもたらす。 割引パラメータを推定することにより、前者は均質で高度に均一な状態長に適応する。 逐次的あるいはマルコフスイッチング法とは異なり、過渡的ショックに反応するのではなく、変化点として永続的な構造シフトをフラグ付けする。 分割マージされたMetropolis-within-Gibbsサンプルと正確なGibsリレー境界の更新は、バッチ内の変更点とハイパーパラメータを共同で学習し、パーティション上の不確実性とレジスタ内ダイナミクスを定量化する。 RBFカーネルと固定されたデータインフォームドノイズレベルにより、TPGPMMはスパースで確実なセグメンテーションを生成する。 シミュレーションデータでは、真の体制を回復し、CBOEボラティリティ指数と10年間の米財務省の利回り指数では、市場や金融政策に関する文書化された出来事に沿った体制を特定する。 予測のために、ノイズレベルを変更点ベースラインよりもよく推定し、メイン仕様よりもフィット・予測し、スパースまたはイベント整列セグメンテーションのコストが低く、レジーム平均では、適合した静止ガウス法よりもフィットし、最短地平線を除く予測値RMSEが低い。

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。