Jul, 2024

从非平稳未知过程中推断参数

HTML
PDF
TL;DR非平稳系统在世界上随处可见，需要分析非平稳过程的方法很多，但大多数时序分析方法都是基于平稳性的假设，而一个关键问题是从观察到的时间序列中推断参数，而无需了解或推断出底层系统的数学模型。我们在这里对PINUP问题的算法进行了综述和统一，纳入了各种算法贡献，并提出了更具挑战性的问题，以推动该领域的方法学进展和对非平稳现象的研究。
发现论文，激发创造
  • 状态空间模型下的非平稳环境因果发现与预测

    本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。

    May, 2019

  • GRU-ODE-Bayes：稀疏时间序列的连续建模

    提出了一种GRU-ODE-Bayes方法来建模真实世界的多维时间序列，该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络，并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。

    May, 2019

  • 神经ODE过程

    提出了一种新的随机过程——神经 ODE 过程（Neural ODE Processes），用于捕捉低维度和高维度的时间序列系统动力学，并且相较于现有的神经过程模型，该模型具有适应实时应用的能力和更好的不确定性估计。

    Mar, 2021

  • 神经连续-离散状态空间模型用于不规则采样的时间序列

    提出了神经连续-离散状态空间模型(NCDSSM)，用于对时间序列进行连续时间建模。该模型使用辅助变量进行识别和动态分离，从而仅需要为辅助变量进行摊销推理。通过连续离散滤波理论，提出了三种灵活的潜在动态参数化方法和一种能够较快地进行后验推理的训练目标函数。实验结果表明，NCDSSM在多个基准数据集上都比现有模型具有更好的插补和预测性能。

    Jan, 2023

  • 何时和如何：学习可识别的非固定时间序列预测潜在状态

    我们提出了一种基于可识别的潜在环境状态（IDEA）的方法来检测分布转变发生的时间，并通过充分观察假设来解耦稳态和非稳态潜在状态的变化，其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上，IDEA模型优于几种最新的非稳态预测方法，突显了其在实际场景中的优势。

    Feb, 2024

  • 从缓慢变化的非平稳过程进行因果推断

    通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。

    May, 2024

  • 关于学习何时学习：动态的异构观察和它们之间的建立（可能是因果）关系

    通过多个同步异构数据流处理，确定共同观测变量和各自观测变量，从而建立动力学模型并利用数据驱动的函数逼近技术来学习输入输出关系。

    Jun, 2024

  • 利用储层计算从时间序列中无监督提取缓慢变动系统参数动态预测未观测到的分叉

    使用水库计算框架从时间序列数据中无监督地提取系统的缓慢变化参数，进而预测快速动态中未知的分岔现象。

    Jun, 2024

  • 使用高阶 Markov 切换模型识别非平稳因果结构

    通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。

    Jun, 2024

  • 半平稳时间序列的因果发现

    从非平稳时间序列中发现因果关系的算法PCMCI$\Omega$能够捕捉交替和循环的因果机制变化，并通过条件独立性测试识别出潜在的因果图。

    Jul, 2024