Rejoinder to "Feature Matching in Time Series Modeling"
Yingcun Xia, Howell Tong
对Y.“时间序列建模中的特征匹配”一文的反驳。Xia和H. Tong [arXiv：1104.3073]
Rejoinder to "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong [arXiv:1104.3073]
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Rejoinder: Matched Pairs and the Future of Cluster-Randomized Experiments
对“配对匹配在随机化实验中的重要作用，及其在墨西哥全民健康保险评估中的应用”的反驳[arXiv：0910.3752]
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
Extending Bayesian structural time-series estimates of causal impact to many-household conservation initiatives
政府机构为公民的保护行动提供经济激励，例如安装高效电器的回扣和房屋改造的补偿。这些节约行动的目的往往是减少公用事业的消耗。衡量激励措施的保护影响对于指导政策很重要，但这样做在技术上很困难。然而，近年来，随着营销人员设法证实其服务的价值，在向消费者营销方面，估计公共外联工作影响的方法有了很大的发展。一种这样的方法使用贝叶斯结构时间序列（BSTS）来将暴露于广告活动的市场与通过匹配过程识别的控制市场进行比较。本文介绍了一个扩展的匹配/BSTS方法的影响估计，使其适用于一般的保护计划的影响估计时，多户数据。这是通过家庭匹配/BSTS步骤来实现的，以获得保护估计，然后使用元回归步骤来汇总结果。一个案例研究家庭草坪清除回扣对多个加州水域的用水量的影响进行说明这种方法的工作流程。
A marginal moment matching approach for fitting endemic-epidemic models to underreported disease surveillance counts
计数数据经常被漏报，特别是在传染病监测方面。我们提出了一个近似的极大似然方法来拟合计数时间序列模型，从地方性流行病类漏报的数据。该方法是基于边缘矩匹配，其中漏报的过程近似通过完全观察到的过程从同一类。此外，当漏报被忽略或考虑通过倍增因子的偏差的形式进行了分析。值得注意的是，我们表明，这导致了基于模型的估计的有效生殖数的向下偏差。边缘矩匹配方法也可用于解释比疾病的平均连续间隔更长的报告间隔。所提出的方法的良好性能在仿真研究中得到证明。一个扩展到随时间变化的参数和报告概率进行了讨论，并应用于每周轮状病毒胃肠炎计数在德国柏林的案例研究。
Feature Matching in Time Series Modeling
使用时间序列模型来模拟观测到的时间序列有很长的历史。然而，对于这个目标，传统的离散时间动态模型的估计方法经常被发现是想要的。事实上，他们至少在两个方面被典型地误导了：（i）假设有一个真实的模型;（ii）评估估计的有效性，好像假设的模型是真实的。有许多例子表明，当用传统方法拟合时，模型无法捕捉到数据的一些最基本的全球特征，例如具有良好匹配周期的周期、谱密度函数的奇异性（特别是在原点）等。我们认为，这些缺点并不总是由于模型的制定，但传统的拟合方法的不足。毕竟，所有的模型都是错误的，但有些模型是有用的，如果它们适合的话。实际问题变成了如何使模型与数据最佳拟合。因此，在没有真实模型的情况下，我们更喜欢传统模型拟合的替代方法，传统模型拟合通常涉及提前一步的预测误差。我们的主要目标是匹配可观测的时间序列的联合概率分布，包括支撑数据的动态的长期特征，如周期、长记忆等，而不是短期预测。由于没有更好的名称，我们称之为特定目标特征匹配。
Warping and Matching Subsequences Between Time Series
针对时间序列比较中缺乏定性结构分析的问题，本文提出一种简化扭曲路径的技术，以突出并可视化子序列间的偏移、压缩和振幅差异等关键变换，从而增强比较的可解释性。
Trajectory Flow Matching with Applications to Clinical Time Series Modeling
本文提出轨迹流匹配（TFM）方法，以无仿真方式训练神经常微分方程，避免通过动力学反向传播，从而提升训练稳定性和可扩展性，并在三个临床时间序列数据集上取得更优的性能和不确定性预测。
A History Matching Approach for Calibrating Hydrological Models
水文时间序列模型的校准是一项具有挑战性的任务，因为这些模型提供了广泛的输出序列和校准程序需要大量的时间。从统计学的观点来看，该模型参数估计问题简化为找到生成预先指定的时间序列输出的计算机模型的逆解（即，现实输出系列）。在本文中，我们提出了一种改进的历史匹配方法来校准的时间序列的径流模型与实际数据收集从美国佐治亚州，美国。我们提出的方法，并说明了该算法的应用进行了模拟研究和两个案例研究。计算几个拟合优度统计量以评估模型性能。结果表明，基于Matlab/Simulink和SWAT模型的两个案例研究中，所提出的历史匹配算法的均方误差分别为30%和14%，峰值百分比阈值统计分别为26%和118%.
Matching correlated VAR time series
研究匹配两个相关VAR时间序列数据库的问题，提出概率框架，通过线性分配估计器实现完美或部分恢复，并利用凸松弛高效求解。
Translating biomarkers between multi-way time-series experiments
在多物种“组学”实验之间转换潜在的疾病生物标志物是生物医学研究的新方向。现有的方法仅限于简单的实验设置，如基本的健康-疾病比较。这些方法中的大多数还需要变量的先验匹配（例如，基因或代谢物）之间的差异。然而，许多实验具有复杂的多途径试验设计，通常涉及不规则采样的时间序列测量，并且例如代谢物并不总是具有生物体之间的已知匹配。我们介绍了一个贝叶斯建模框架之间的翻译多个物种的“组学”实验具有复杂的多路，时间序列试验设计的结果。潜在的假设是，未知的匹配可以从变量对包括时间在内的多个协变量的响应中推断出来。
SDE Matching: Scalable and Simulation-Free Training of Latent Stochastic Differential Equations
本文提出SDE Matching，一种免仿真的Latent SDE训练新方法，通过扩展Score-和Flow Matching算法至随机动力学领域，消除了昂贵的数值仿真需求，在保持与伴随灵敏度方法相当性能的同时大幅降低了计算复杂度。
Multivariate time-series modeling with generative neural networks
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法，提出了一种基于GMMN-Gestival方法的建模框架。首先，ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次，如果边缘时间序列的数量是大的，主成分分析（PCA）被用作降维步骤。最后，其余的横截面依赖性是通过GMMN建模，这项工作的主要贡献。GMMN是高度灵活的，易于模拟，这是一个主要的优势，copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性，特别是在产生更好的经验预测分布和做出更好的概率预测方面。
A novel method based on cross correlation maximization, for pattern matching by means of a single parameter. Application to the human voice
这项工作开发了一种互相关最大化技术，统计概念的基础上，模式匹配的目的，在时间序列。该技术通过单个参数分析量化一组数据中已知信号之间的相似程度。具体而言，该方法被应用到语音识别问题，通过选择样本从一个给定的个人录音的5个元音，在西班牙语。数据采集频率为11.250 Hz。从每个元音时间序列中确定一个特定的间隔，作为一个代表性的测试函数，并通过一种算法将其与自身和其余元音进行比较，以便随后对结果进行图形说明。我们的结论是，对于一个最小的独特的长度，该方法满足每一个元音与自身之间的相似性，也是一个无可辩驳的差异与其余的元音的估计长度为30点（~2 10-3秒）。
Robust Time-Series Retrieval Using Probabilistic Adaptive Segmental Alignment
传统的成对序列比对是基于时间单调性约束下的两个序列的个体样本的匹配。然而，在许多应用设置中，匹配连续性（片段）而不是单个样本可以带来对噪声或局部非因果扰动的额外鲁棒性。本文提出了一种分段序列比对的方法，联合分段和比对两个序列，推广了传统的每样本比对。为了完成这一任务，我们引入了一个距离度量段之间的平均成对距离的基础上，然后提出了一个修改的对HMM（PHMM），结合建议的距离度量来解决联合分割和对齐任务。我们还提出了一个放松我们的模型，提高了计算效率的通用分段PHMM。我们的研究结果表明，这种新的序列相似性的措施，可以导致提高分类性能，同时具有弹性的噪声，对各种序列检索问题，从EEG到运动序列分类。
Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting
本文提出通过系统滴定校准的高斯观测噪声，将时间序列预测转化为精确分布推断任务，揭示了现有模型在非平稳环境下的不足，以及Fern模型在保持动态不变量和几何结构方面的优势。
Towards a universal neural network encoder for time series
我们研究了使用时间序列编码器来学习对数据集类型有用的表示，该编码器由一个卷积神经网络组成，其时间输出由卷积注意力机制总结。通过这种方式，我们从较长的可变长度时间序列中获得了一个紧凑的固定长度表示。我们评估所提出的方法的性能上一个著名的时间序列分类基准，考虑完全适应，部分适应，和没有适应的编码器的新的数据类型。结果表明，这种策略与最先进的竞争力，往往优于概念匹配的方法。除了准确性分数，适应能力和预训练编码器的效率使它们成为处理几乎没有标记或没有标记的时间序列的一个有吸引力的选择。
CFMI: Flow Matching for Missing Data Imputation
本文提出CFMI，融合连续归一化流、流匹配与共享条件建模进行缺失数据插补；实验表明其在表格数据上优于或持平九种方法，并在零样本时间序列插补中兼顾准确率与效率。
PanelMatch: Matching Methods for Causal Inference with Time-Series Cross-Section Data
本文介绍 R 包 PanelMatch，为时间序列截面数据提供参数假设更少、诊断更丰富的匹配式因果推断方法及可视化工具。
A Note on Simulation-Based Inference by Matching Random Features
我们可以也应该通过调整模拟中的参数对模拟模型进行统计推断，以便模拟输出的{ \em随机选择}函数的值与根据数据计算的相同函数的值相匹配。非线性动力学中的“状态空间重构”或“时间序列的几何”文献的结果表明，仅$2d+1$这样的函数通常就足以识别具有$d$维参数空间的模型。来自机器学习中的“随机特征”文献的结果表明，使用数据的随机函数可以有效地替代使用最优函数。在这个初步的概念验证说明中，我概述了一些关键结果，并提供了有关新方法属性的数值证据。另一份即将出版的手稿将详细阐述理论和数值细节。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。