Deep Dynamic Probabilistic Canonical Correlation Analysis

要約

このホワイトペーパーでは、ディープダイナミックの確率論的相関分析（D2PCCA）を紹介します。これは、非線形動的システムを分析するために深い学習を確率的モデリングと統合するモデルです。
標準相関分析（CCA）の確率的拡張に基づいて、D2PCCAは非線形潜在ダイナミクスをキャプチャし、KLアニーリングなどの強化をサポートし、収束を改善し、より柔軟な後部近似のためのフローを正常化します。
D2PCCAは自然に観測された複数の変数に拡張され、シーケンシャルデータセットに関する事前知識をエンコードし、システムのダイナミクスに関する確率的理解を提供するための多用途のツールになります。
実際の財務データセットでの実験的検証は、D2PCCAの有効性と潜在的なダイナミクスのキャプチャをキャプチャする際の拡張性を示しています。

要約(オリジナル)

This paper presents Deep Dynamic Probabilistic Canonical Correlation Analysis (D2PCCA), a model that integrates deep learning with probabilistic modeling to analyze nonlinear dynamical systems. Building on the probabilistic extensions of Canonical Correlation Analysis (CCA), D2PCCA captures nonlinear latent dynamics and supports enhancements such as KL annealing for improved convergence and normalizing flows for a more flexible posterior approximation. D2PCCA naturally extends to multiple observed variables, making it a versatile tool for encoding prior knowledge about sequential datasets and providing a probabilistic understanding of the system’s dynamics. Experimental validation on real financial datasets demonstrates the effectiveness of D2PCCA and its extensions in capturing latent dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google