Mixed moving average field guided learning for spatio-temporal data

要約

影響を受けた混合移動平均フィールドは、時空間データの多用途なモデリング クラスです。
ただし、その予測分布は一般的には知られていません。
このモデリングの仮定に基づいて、アンサンブル予測を行うために一般化されたベイジアン アルゴリズムを採用する、新しい時空間埋め込みと理論に基づいた機械学習アプローチを定義します。
リプシッツ予測子を使用し、バッチ学習設定で固定時間および任意の時間の PAC ベイジアン境界を決定します。
因果予測の実行は、空間的および時間的な短距離および長距離依存性を持つデータへの応用の可能性として、私たちの方法論のハイライトです。
次に、線形予測子と時空間オーンシュタイン・ウーレンベックプロセスからシミュレートされたデータセットを使用して、学習方法のパフォーマンスをテストします。

要約(オリジナル)

Influenced mixed moving average fields are a versatile modeling class for spatio-temporal data. However, their predictive distribution is not generally known. Under this modeling assumption, we define a novel spatio-temporal embedding and a theory-guided machine learning approach that employs a generalized Bayesian algorithm to make ensemble forecasts. We employ Lipschitz predictors and determine fixed-time and any-time PAC Bayesian bounds in the batch learning setting. Performing causal forecast is a highlight of our methodology as its potential application to data with spatial and temporal short and long-range dependence. We then test the performance of our learning methodology by using linear predictors and data sets simulated from a spatio-temporal Ornstein-Uhlenbeck process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google