Mixed moving average field guided learning for spatio-temporal data

要約

タイトル：時空データのための混合移動平均フィールドによる学習

要約：
– 混合移動平均フィールドは、時空データの柔軟なモデリング手法であるが、その予測分布は一般的に利用できない。
– 本手法は、このモデリング仮説の下で、一般化ベイズアルゴリズムを利用した新しい理論に基づく機械学習手法を定義する。
– リプシッツ・プレディクター（例えば線形モデルやフィードフォワードニューラルネットワーク）を用いて、空間的および時間的次元に沿って相関するデータの新しいPACベイズ境界を最小化するランダム推定器を見つける。
– 因果的な将来予測を行うことは、短期的および長期的な依存性のあるデータに対する潜在的な応用がある。
– 最後に、線形プレディクターとSTOUプロセスからシミュレートされた空間時間データの例における学習手法のパフォーマンスを示す。

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 accessible. Under this modeling assumption, we define a novel theory-guided machine learning approach that employs a generalized Bayesian algorithm to make predictions. We employ a Lipschitz predictor, for example, a linear model or a feed-forward neural network, and determine a randomized estimator by minimizing a novel PAC Bayesian bound for data serially correlated along a spatial and temporal dimension. Performing causal future predictions is a highlight of our methodology as its potential application to data with short and long-range dependence. We conclude by showing the performance of the learning methodology in an example with linear predictors and simulated spatio-temporal data from an STOU process.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI