ICLRJun, 2021

用 Spliced Binned-Pareto 分布对重尾时间序列进行鲁棒建模

PDF
TL;DR本文提出了使用镶嵌二分布的拟合方法来准确建模具有重尾噪声的非平稳时间序列，以达到更准确的异常检测。与其他现有方法相比，我们的方法不仅能建立对极端值具有鲁棒性的模型，还能准确刻画整个分布的特性。本文还在 Twitter 数据集上验证了该方法的卓越性能。
发现论文，激发创造
  • 非线性和重尾测量的结构化信号恢复

    研究了利用具有椭圆对称分布的设计向量从非线性测量中恢复高维信号的问题，提出并分析了一种新的估计器，可以适应问题的结构，同时对由重尾分布造成的数据损坏和测量的任意非线性进行了建模并具有较低的计算复杂度。

    Sep, 2016

  • 结构化时间序列的快速非参数聚类

    本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程，创新性地在高斯过程的基础上引入结构化时间序列数据模型，以及加速新型的狄利克雷过程变分推理算法，可用于优化我们的方差逼近。生物时间序列应用实例中，我们的模型更好地捕获了数据的显著特征，提高了与现有生物分类的一致性，同时推理算法提供了 EM 变分推理的两倍速度。

    Jan, 2014

  • 概率编程的重尾代数

    该研究提出了一种系统性的方法来分析随机变量的尾部，建立了一个基于广义 Gamma 分布的代数，该代数能够在各种操作下区分不同尺度的亚高斯函数，可以直接从定义中重现大部分重要的统计分布，并通过利用重尾代数的推理算法，实现了在多个密度建模及变分推理任务上实现了卓越的性能。

    Jun, 2023

  • 具有非重尾高斯损失加权采样器的稳健时序预测

    预测多元时间序列的计算密集型任务中，重采样方法无法解决重尾分布损失的问题，为此我们引入了一种新的方法：高斯损失加权采样器，通过乘以高斯分布权重来减少选择极低或极高损失样本的概率，优化了训练效率并提高了预测质量。

    Jun, 2024

  • 离散经验数据中的幂律分布

    本研究采用最大似然拟合、基于 Kolmogorov-Smirnov 拟合度量的假设检验和可能性比检验等方法，针对实际的具有重尾性状的 12 个不同数据集进行分析，以评估用于有所不同的描述方式下的第三方统计学中有关幂律分布的假设检验的效果，并量化了数据划分所导致的统计功率损失。

    Aug, 2012

  • 自适应 Huber 回归

    本篇论文提出了一种针对大数据中的尾部离群值和重尾分布等问题的自适应 Huber 回归方法，其中关键观察是，用于鲁棒性参数自适应的最优偏差和鲁棒性之间的权衡应该适应于样本大小，维度和矩。

    Jun, 2017

  • 可扩展的联合模型用于可靠的不确定性感知事件预测

    提出了一种基于多输出高斯过程的灵活、可扩展的联合模型来解决缺失和噪声问题，利用模型估计事件发生的概率来推测事件，通过置信度准则和代价分析进行事件预测.

    Aug, 2017

  • 用于流动性流动性流动的柔性尾部，应用于金融回报数据建模

    我们提出了一种能够改变分布的尾部特性的转换，受到极值理论的启发，它可以作为正则化流的一层，近似多变量重尾分布。我们将此方法应用于金融回报建模，捕捉可能在这类数据中出现的极端冲击。训练后的模型可以直接用于生成新的具有潜在极端回报的合成数据集。

    Nov, 2023

  • 具有时序不规则性的多元时间序列的概率学习

    提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型，该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。

    Jun, 2023

  • 贝叶斯非参数泊松过程分配用于时间序列建模

    本文提出了一种针对时间序列的具有潜在函数模型的贝叶斯非参数泊松过程分配（BaNPPA）方法，通过模拟一个高斯过程中的函数，利用无限混合的潜在函数表示强度来自动推断潜在函数数量，随后通过变分推断算法调节潜在函数的体积来应对权重不可区分的问题，该算法高效，并且在合成和真实数据集的实验中取得了良好的效果。

    May, 2017