ICMLJun, 2012

Sparse-GEV: 多元极值时间系列建模的稀疏潜变量模型

PDF
TL;DR本研究提出了 Sparse-GEV 模型，即基于极端值建模的潜在状态模型，以自动学习稀疏的时间依赖性并进行预测。该模型是学习多元极值时间序列稀疏时间依赖性的第一批模型之一。实验结果表明，我们的算法在一个模拟数据集，一个气候数据集和两个 Twitter 数据集上比最先进的方法，包括 Granger 因果性，copula 方法和转移熵，表现更优越。
time series modelsextreme eventssparse-gev modelmultivariate extreme value time seriespredictions
发现论文，激发创造
  • 时间序列数据中极端事件预测的广义混合模型

    这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

    Oct, 2023

  • 多元极值的稀疏表达及在异常排名中的应用

    本文介绍了一种基于多元极值理论的算法，用于在高维空间中学习如何根据它们的异常程度对观测值进行排名，并与非极端数据的异常检测技术结合使用，从而避免受到维度诅咒的影响。

    Mar, 2016

  • 使用神经网络进行广义极值分布的快速参数估计

    本文提出了一种基于神经网络的似然函数 - free 方法来估计广义极值分布，以解决传统极大似然估计方法在大规模数据集上的计算瓶颈，并通过仿真和气候数据应用实验证明了其在精度与速度之间达到了一个平衡。

    May, 2023

  • 可变自编码器在空间极值模拟中的灵活高效应用

    通过构建一个新的可变空间特异极值自动编码器模型 (extVAE)，本文研究了一种具有灵活非平稳依赖性的极值分布，并在 Red Sea 海域的高分辨率卫星获取的温度数据中进行了计算。

    Jul, 2023

  • 一种应用 VAE 的多元极值抽样方法

    基于变分自编码器的方法来采样多元重尾分布，进而得到准确极值，此方法在洪水灾害风险评估方面具有潜在应用价值，不仅在测试数据中的性能比标准变分自编码器好，还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。

    Jun, 2023

  • 双稀疏变分高斯过程

    本文提出了结合 inducing points 和 state-space formulation 的方法，并给出了相应的 varitational parameterisation 公式，该方法在深度高斯过程模型中的应用效果明显。

    Jan, 2020

  • 极值理论概率分布聚类

    本文基于极值理论的广义帕累托分布，提出了一种新的聚类算法 GPD k-means，它模型化了聚类的距离分布，并用概率模型描述了每个类别。实验证明，在合成数据集和真实数据集上，GPD k-means 优于传统聚类算法。

    Feb, 2022

  • 稀疏高斯过程变分自编码器

    研究了高斯过程深度生成模型中的氐变量的稀疏高斯过程近似的问题，并提出了一种基于部分推理网络的稀疏高斯过程变分自编码器，从而使得稀疏高斯过程能处理多维度的时空数据中缺失的数据，并提高模型的计算效率。

    Oct, 2020

  • 变分高斯过程状态空间模型

    该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

    Jun, 2014

  • 将深度生成模型与极值理论相结合的合成危害模拟：一种多元且空间协调的方法

    气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

    Nov, 2023