Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting
Graduate University of Advanced Studies & The Institute of Statistical Mathematics(高级研究大学及统计数学研究所);East China Normal University(华东师范大学);The Institute of Statistical Mathematics(统计数学研究所)
本文提出条件性白化生成模型,通过整合条件均值和协方差信息,提升多变量时间序列预测性能。
2026-02-17 cs.LG stat.ML
Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出一种以验证为导向的聚类框架,用于高维多变量时间序列预测中的自适应池化,通过验证性能确定何时何地进行专业化,以提高鲁棒性并避免性能下降。
2026-04-15 stat.ME stat.ML
Graph-based Multivariate Conditional Autoregressive Models
条件自回归模型是流行病学、社会经济或生态研究等领域数据的常用统计模型。各种多变量条件自回归模型也已被广泛研究的文献中,它已被证明,从单变量的情况下,扩展到多变量的情况下是不平凡的。困难在于多方面,包括有效性,解释性,灵活性和计算的可行性的模型。在本文中,我们从一个基于元素的角度,而不是传统的基于向量的角度来处理多元建模。我们专注于联合邻接结构的元素,并讨论空间和非空间域的图形结构。我们假设空间域的图通常是已知的和固定的,而非空间域的图可以是未知的和随机的。我们提出了一个非常一般的规范的多元条件建模,然后专注于三个特殊的情况下,这是众所周知的模型在文献中。针对重点案例,给出了参数学习和图学习的贝叶斯推断,最后以公共卫生数据为例进行了说明。
2019-07-20 stat.ME
Linear type conditional specifications for multivariate count variables
本文研究多元计数变量的线性条件设定,发现仅少数条件模型存在非平凡解,并建议采用半参数型设定以利于空间计数数据建模。
2025-02-27 math.ST stat.TH
Temporal cross-validation impacts multivariate time series subsequence anomaly detection evaluation
Mathematics Division, Oak Ridge National Laboratory(数学系,橡树岭国家实验室);Intelligence Division, Oak Ridge National Laboratory(智能系,橡树岭国家实验室)
该研究系统探究时间序列交叉验证策略对多元时间序列子序列异常检测分类器性能的影响,对比前向滚动与滑动窗口方法,发现滑动窗口表现更优且不同算法对验证方案敏感性有差异,为时间结构化学习环境的评估策略选择提供指导。
2025-06-13 cs.LG stat.AP stat.ME
Neural Generalised AutoRegressive Conditional Heteroskedasticity
University College London(伦敦大学学院)
我们提出了神经神经GARCH,一类方法来模拟金融时间序列的条件异方差性。神经GARCH是单变量情况下GARCH 1,1模型和多变量情况下对角BEKK 1,1模型的神经网络适应。为了反映金融市场不断变化的动态,我们允许GARCH模型的系数随时间变化。时变系数由一个递归神经网络参数化,该网络是用随机梯度变分贝叶斯训练的。我们提出了我们的模型的两个变种,一个正常的创新和其他学生t创新。我们在广泛的单变量和多变量金融时间序列上测试了我们的模型,我们发现神经学生t模型始终优于其他模型。
2022-02-23 cs.LG q-fin.ST stat.ML
Spatio-Temporal Models for Big Multinomial Data using the Conditional Multivariate Logit-Beta Distribution
我们介绍了一种贝叶斯方法,用于分析在空间和时间上引用的高维多项式数据。特别是,假设与多项式数据相关的比例与潜在的时空混合效应模型有logit联系。这种策略允许协方差在空间和时间上都是非平稳的,不对称的,并且是简约的。我们还介绍了使用的条件多元logit-β分布的依赖多项式的数据设置,这导致共轭全条件分布用于在一个崩溃的吉布斯抽样。我们把这个模型称为多项时空混合效应模型(MN-STM)。此外,我们提供的方法的发展,包括:相关的全条件分布的推导,与潜在的高斯过程模型的关系,和非平稳向量自回归模型的稳定性。我们说明了MN-STM通过模拟,并通过演示与公共使用的季度劳动力指标(QWI)的纵向雇主家庭动态(LEHD)计划的美国人口普查局的数据。
2018-12-09 stat.ME
Conditionally specified graphical modeling of stationary multivariate time series
针对非高斯或混合型多元时间序列,本文提出CEStGM,用指数族条件分布和交互核编码过程级条件独立性,并建立Markov性质、几何混合性及近似Gibbs采样方法。
2025-08-28 math.ST stat.TH
Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
本研究提出多元概率时间序列预测的非参数框架CRAFT,通过构建轨迹轮廓、学习状态标签等方法保留依赖关系,经模拟基准验证其预测性能优于多种对比方法。
2026-08-11 stat.ME
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下,两个(或多个)时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差,但标准化新息的分布不受协变量的影响,并且在时间上是稳定的。联合分布的时间序列,然后确定的条件均值,条件方差和边缘分布的创新,我们估计nonparametrically,和copula的创新,它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明,在适当的假设下,这些copula估计是渐近等价的估计,将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
Reverse Stress Testing for Multivariate Scenarios: A Conditional Framework for Stressed Time Series
ARCA Fondi SGR
提出一种反向压力测试方法,从单一资产类别的外生冲击出发,重建与市场经验依赖结构一致的多变量压力场景,并通过三种分布假设下的条件密度最大化求解。
2026-06-08 q-fin.RM q-fin.ST stat.ME
Detecting causality in multivariate time series via non-uniform embedding
基于非一致嵌入方案的因果分析是发现动态系统间潜在相互作用的重要方法。然而,传统的非均匀嵌入方案在估计高维条件互信息和形成最优混合嵌入向量方面仍存在一些障碍。在这项研究中,我们提出了一个新的非均匀嵌入方法的信息论框架来检测因果关系的多变量时间序列,命名为LM-PMIME,它集成了低维近似的条件互信息和混合搜索策略的混合嵌入向量的建设。我们将该方法应用于线性随机,非线性随机和混沌系统的模拟,证明其优越性部分条件互信息从混合嵌入(PMIME)方法。此外,所提出的方法适用于多变量时间序列与弱耦合强度,特别是混沌系统。在实际应用中,我们展示了它对癫痫多通道皮层电图记录的适用性。
2019-12-14 stat.ME
Graphical modelling of multivariate spatial point processes
本文提出了一种新的图形模型,称为空间依赖图模型,它捕捉了不同的事件,在空间中随机发生的全局依赖结构。在空间依赖图模型中,利用条件部分谱相干性识别边缘集。因此,节点与多元空间点过程的分量相关,而边表示单个分量之间的正交关系。本文介绍了一种有效的方法对高度结构化和高维空间点过程的模式分析。与以前的所有方法不同,我们的新模型允许同时分析所有多变量条件相关性。我们的新技术,调查多元结构关系的潜力说明使用数据林以及每月的数据在伦敦金融城的犯罪。
2016-07-24 stat.AP stat.ME
Ergodicity and scaling limit of a constrained multivariate Hawkes process
我们引入了一个多变量的Hawkes过程的约束,其条件密度。它是一个多变量点过程,其条件强度类似于多变量Hawkes过程,但某些事件相对于多维约束变量的边界条件是禁止的,其演化由点过程驱动。我们研究这个过程中的特殊情况下,生育率函数是指数,使该过程完全由一个基本的马尔可夫链,其中包括约束变量描述。建立了链参数的遍历性条件。此外,标度极限的积分点过程。本研究的主要动机是随机建模的限价订单簿的高频金融数据分析。
2014-02-13 q-fin.CP q-fin.TR stat.AP
Density power divergence for general integer-valued time series with multivariate exogenous covariate
本文研究了一类整数值时间序列模型的稳健估计方法。该过程的条件分布属于一类广泛的分布,与经典的自回归框架不同,该过程的条件均值也依赖于一些多元外生协变量。我们推导出一个强大的推理过程的最小密度功率发散的基础上。在一定的正则性条件下,我们证明了所提出的估计是相合的和渐近正态的。仿真实验表明了该估计器的经验性能。还提供了股票爱立信B的每分钟交易数的应用。
2023-01-30 math.ST stat.TH
A Multivariate Spatial and Spatiotemporal ARCH Model
本文介绍了一种基于向量表示的多变量时空自回归条件异方差模型。该模型包括瞬时空间自回归溢出效应的条件方差,因为它们通常存在于空间计量经济学应用。此外,空间和时间的交叉变量的影响明确建模。我们使用对数平方变换将模型转换为多变量时空自回归模型,并推导出一致的拟最大似然估计(QMLE)。对于有限样本和不同的误差分布,QMLE的性能进行了分析,在一系列的蒙特卡罗模拟。此外,我们说明了新模型的实际使用与现实世界的例子。我们分析了2002年至2014年柏林三种不同类型房产的月度房地产价格回报。我们发现弱(瞬时)的空间相互作用,而在市场风险的时间自回归结构是更重要的。不同属性类型之间的相互作用仅发生在时间滞后变量中。因此,我们主要看到时间波动集群和弱空间波动溢出。
2022-04-26 econ.EM stat.AP stat.ME
Graphical modelling of multivariate spatial point processes with continuous marks
本文是第二次在一系列的文件相结合的图形建模和标记的空间点模式。扩展了\cite Eckardt(2016 a)的先前结果,我们引入了一个标记空间依赖图模型,该模型基于标记条件部分谱相干性来描述空间中出现的定量标记多类型点的全局依赖结构。最有利的是,在分析之前不对数据中的特征进行结构性假设。这种方法提出了一种计算效率高的模式识别方法,在高度结构化和高维多类型的空间点过程中,也可定量标记。与以前的所有方法不同,我们的新模型允许同时分析所有多变量条件相关性。新技术的说明,分析了在杜克森林10053个地点记录的37个不同树种的胸径。
2016-09-27 stat.AP
Portfolio optimization with mixture vector autoregressive models
获得条件协方差阵的可靠估计是异方差多元时间序列的一项重要任务。在投资组合优化和金融风险管理中,尽可能准确地提供不确定性和风险的度量至关重要。我们建议使用混合向量自回归(MVAR)模型进行投资组合优化。MVAR模型结合了依赖于过程最近历史的分布的混合物,可以适应多变量时间序列数据中的不对称性、多模态性、异方差性和交叉相关性。对于正态成分的混合,我们利用多元正态分布的一个性质,得到了资产组合收益率的条件预测分布的显式公式。在展示了该方法的工作原理之后,我们对真实的股票收益数据与其他相关的多元时间序列模型进行了比较。
2022-09-15 stat.ME
Joint estimation of sparse multivariate regression and conditional graphical models
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
多元回归模型是对经典的一元回归模型的自然推广,用于拟合多个响应.在本文中,我们提出了一个高维多元条件回归模型,用于构造多元回归系数矩阵的稀疏估计,该矩阵考虑了多个响应之间的依赖结构。所提出的方法分解成一系列的惩罚条件对数似然的协变量和其他响应的条件下的每个响应的多元回归问题。它允许同时估计稀疏回归系数矩阵和稀疏逆协方差阵。针对协变量的发散维度和响应数量建立了渐进选择一致性和正态性。所提出的方法的有效性也证明了在各种模拟的例子,以及应用程序的多形性胶质母细胞瘤癌症数据。
2013-06-19 cs.LG stat.ML
A nonparametric approach to understand multivariate quantile dynamics in financial time series
Indian Institute of Management Bangalore(班加罗尔印度管理学院);Indian Institute of Science Education and Research(印度科学教育与研究学院);University of Haifa(海法大学)
本文提出一种非参数回归框架,用于分析金融时间序列中的多变量分位数动态,探讨了条件均值和波动率估计的收敛性,并通过模拟研究验证了方法的有效性。
2026-03-17 stat.ME
Detecting Unusual Input-Output Associations in Multivariate Conditional Data
University of Pittsburgh(匹兹堡大学)
尽管近年来离群点检测研究取得了巨大的进展,但大多数现有方法仅被设计用于检测与所有数据属性的联合空间中表达的异常数据模式相对应的无条件离群点。当我们试图检测反映与给定上下文或条件相关的异常反应的条件离群值时,此类方法不适用。这项工作的重点是多变量条件离群值检测,一种特殊类型的条件离群值检测问题,其中数据实例包括多维输入(上下文)和输出(响应)对。我们提出了一种新的离群值检测框架,该框架可以在从所有数据实例中学习的可分解条件概率模型的帮助下识别数据中的异常输入-输出关联。由于该模型的组成部分可能在质量上有所不同,因此我们将它们与权重相结合,以反映其在评估离群值时的可靠性。我们研究了两种计算组件权重的方法:依赖于所有数据的全局方法和仅依赖于与目标实例相似的实例的局部方法。对不同领域数据的实验结果表明,我们的框架能够成功识别多变量条件离群值。
2016-12-21 cs.LG stat.ML
Graphical modelling and partial characteristics for multitype and multivariate-marked spatio-temporal point processes
本文通过引入不同的部分点特征和扩展空间依赖图模型的形式,对标记时空点过程数据进行了多变量分析。我们的方法产生了一个统一的框架,不同类型的时空数据,包括纯粹的定性(多变量)的情况下,多变量的情况下,额外的定量标记。该图模型通过部分谱密度特征定义,计算效率高,反映了具有相同离散标记的点或标记点的时空子过程集合之间的条件相似性。该文件考虑了三个应用程序,两个犯罪数据和第三个林业。
2020-03-05 stat.AP stat.ME
Regularly varying multivariate time series
一个多变量的平稳时间序列被称为联合规则变化的,如果它的所有有限维分布是多变量规则变化的。这个属性被证明是等价于弱收敛的条件分布的重新标度的系列,在一个固定的时刻,其距离的原点超过一个阈值趋于无穷大。极限对象,称为尾过程,承认在独立的径向和角分量的分解。在适当的混合条件下,这个尾过程允许一个简洁而明确的描述的极限的一系列点过程记录的时间和位置的时间序列时,它远离原点。该理论被应用于具有随机系数矩阵的有穷级的多元移动平均。
2007-07-26 math.PR math.ST stat.TH
On the graph-theoretical interpretation of Pearson correlations in a multivariate process and a novel partial correlation measure
在时间序列图的框架下,解释了滞后(皮尔逊)相关函数对多元自回归模型系数的依赖性。时间序列图与格兰杰因果关系的概念相关,并编码多元过程的条件独立结构。作者表明,复杂的依赖关系的皮尔逊相关系数复杂的解释,并提出了一种新的偏相关措施与一个简单的图形理论的解释。新的措施具有额外的优点,它的抽样分布是不受串行依赖性的皮尔逊相关系数一样。在气候时间序列的应用中,新措施的潜力得到了证明。
2013-10-18 math.ST physics.data-an stat.AP
Multivariate stochastic volatility modelling using Wishart autoregressive processes
提出了一种新的金融时间序列多元随机波动率估计方法。波动率精度协方差矩阵采用Wishart自回归过程,其估计采用两步法。第一步是对自回归参数的条件推断,第二步是基于Newton-Raphson迭代算法的无条件推断。所提出的方法,这主要是贝叶斯,是适合于中维数据,它的桥梁之间的差距封闭形式的估计和基于模拟的估计算法。一个由外汇汇率数据组成的例子说明了所提出的方法。
2013-11-03 q-fin.CP stat.ME
Conditional Sparse Coding and Grouped Multivariate Regression
Carnegie Mellon University(卡内基梅隆大学);University of Chicago(芝加哥大学)
我们研究的问题,多元回归的数据是自然分组,回归矩阵是估计为每组。我们提出了一种方法,在该方法中,低秩参数矩阵的字典估计跨组,和字典元素的稀疏线性组合估计在每个组内形成一个模型。我们将该方法称为条件稀疏编码,因为它是以协变量向量X为条件的响应向量Y的编码过程。这种方法捕获跨组的共享信息,同时适应每个组内的结构。它利用了在计算机视觉和计算神经科学中成功开发的稀疏编码背后的相同直觉。我们提出了一种算法的条件稀疏编码,分析其理论性质的预测精度,并提出了模拟和脑成像实验的结果,比较新技术,以减少秩回归。
2012-06-27 cs.LG stat.ML
Deep Multivariate Models with Parametric Conditionals
Dresden University of Technology(德累斯顿技术大学);Czech Technical University in Prague(布拉格捷克技术大学)
本文提出了一种基于参数条件的深度多变量模型,通过联合概率分布的条件表示提升模型在多种下游任务中的适用性,并利用马尔可夫链核进行学习。
2026-11-16 cs.LG stat.ML
Multivariate Uncertainty Quantification with Tomographic Quantile Forests
Kobe Gakuin University(神户学院大学)
本文提出Tomographic Quantile Forests,一种非参数、不确定性感知的树回归模型,用于多变量目标的条件分布估计,通过多方向量化聚合和 sliced Wasserstein 距离最小化实现多变量分布重建。
2026-04-01 cs.LG stat.ML
MCODE: Multivariate Conditional Outlier Detection
University of Pittsburgh(匹兹堡大学)
离群值检测的目的是识别偏离预期模式的异常数据实例。当异常值是上下文相关的并且当它们由多个结果变量值的不寻常组合定义时,异常值检测特别具有挑战性。在本文中,我们开发和研究了一种新的条件离群值检测方法的多元结果空间,其工作原理是(1)转换的条件检测到离群值检测问题在一个新的(无条件)空间和(2)定义离群值得分通过分析数据在新的空间。我们的方法依赖于多维分类问题的分类器链分解,该分类器链分解让我们将输出空间转换为概率向量,输出空间的每个维度都有一个概率。然后,应用于这些变换向量的离群值分数用于检测离群值。多个多维分类问题与不同的离群值注入率的实验表明,我们的方法是强大的,能够成功地识别离群值时,离群值是稀疏(表现在一个或很少的维度)或密集(影响多个维度)。
2015-05-15 cs.AI cs.LG stat.ML
Multivariate Latent Recalibration for Conditional Normalizing Flows
Department of Computer Science, University of Mons(蒙斯大学计算机科学系)
针对多变量条件分布校准问题,提出潜在重校准方法,在条件归一化流潜在空间中学习变换,生成带显式密度且高效的重校准分布,实验证明其提升校准误差与负对数似然。
2025-10-24 cs.LG
Estimating Conditional Covariance between labels for Multilabel Data
School of Computer, Data and Mathematical Sciences(计算机、数据与数学科学学院);Western Sydney University(西澳大学)
本文比较三种模型估计多标签条件协方差,发现多元Probit错误率最低,但所有模型在恒定协方差数据中误检依赖协方差。
2025-08-26 cs.LG
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Alberta(阿尔伯塔大学)
本文提出通道感知对比条件扩散模型CCDM,通过通道中心去噪网络和基于去噪的时间对比学习提升多元概率时间序列预测精度与泛化能力,在基准测试中优于现有扩散预测器。
2024-10-03 cs.LG
Generating Multivariate Load States Using a Conditional Variational Autoencoder
Delft University of Technology(代尔夫特理工大学)
对于电力系统的规划和操作工具的校准,在大范围的代表性场景中分析系统性能是必不可少的。当可用的历史数据有限时,生成模型是一个很有前途的解决方案,但建模高维依赖性是具有挑战性的。提出了一种基于条件变分自编码(CVAE)神经网络的多变量负荷状态生成模型。超越常见的CVAE实现,该模型包括在给定的潜在向量下输出样本的随机变化,并共同优化该输出可变性的参数。结果表明,这提高了所生成的数据的统计特性。使用单变量和多变量性能度量来评估生成的多变量负载的质量。欧洲网络的发电充裕度的案例研究被用来说明模型的能力,以产生现实的尾部分布。实验结果表明,该生成器优于其他数据生成机制。
2022-12-14 cs.LG cs.SY eess.SY
Conditionally Identifiable Latent Representation for Multivariate Time Series with Structural Dynamics
本文提出iVDFM模型,通过在创新过程上应用iVAE式条件,保证多变量时间序列潜在因子的可识别性,展示了在合成数据和现实基准中的改进性能。
2026-10-20 cs.LG q-fin.GN q-fin.ST
Predictive Independence Testing, Predictive Conditional Independence Testing, and Predictive Graphical Modelling
University College London(伦敦大学学院)
检验多变量随机变量的(条件)独立性是统计推断和一般建模的核心任务-尽管不幸的是,迄今为止还不存在可行的工作流程。最先进的工作流程需要启发式或主观的手动选择、高计算复杂性或强参数假设。我们通过建立多元/条件独立性检验和多元预测建模(又称监督学习任务)中的模型比较之间的理论联系来解决这些问题。这个链接允许在广泛研究的监督学习工作流程中的进步直接转移到独立性测试工作流程中-包括自动调整机器学习类型,其解决了启发式选择的需求,定量权衡计算需求与准确性的能力,以及用于检查和接口的现代黑箱哲学。作为两个工作流之间这种联系的实际实现,我们提出了一个python包“pcit”,它实现了我们新颖的多变量和条件独立性测试,与scikit-learn包的监督学习API接口。理论和包还允许基于图形模型结构的学习的直接独立性测试。我们的经验表明,我们提出的预测独立性测试优于或等同于目前的做法,和派生的图形模型结构学习算法渐近恢复的“真”图。这篇文章,以及它附带的“pcit”包,为多元和条件独立性测试以及图形模型结构学习提供了强大的,可扩展的,可推广的和易于使用的方法。
2018-04-28 cs.LG math.ST stat.ME
Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians
Air Force Institute of Technology(空军理工学院);Duke University(杜克大学)
本文研究攻击者通过破坏证据变量来扰乱多元高斯模型条件推断的问题,将攻击建模为二次规划或随机二次规划,并在房地产评估、利率估计和信号处理等场景中验证了白盒与灰盒攻击的有效性及行为差异。
2024-11-21 cs.CR cs.LG stat.AP
Transformer-based conditional generative adversarial network for multivariate time series generation
时间相关数据的条件生成是一项非常有趣的任务,无论是用于数据增强、情景模拟、完成缺失数据还是其他目的。最近的工作提出了一种基于转换器的时间序列生成对抗网络(TTS-GAN),以解决递归神经网络的局限性。然而,该模型假设单峰分布,并试图围绕真实数据分布的期望生成样本。它的一个局限性是它可能生成一个随机的多变量时间序列;它可能无法在整体分布中存在多个子分量的情况下生成样本。人们可以训练模型来分别适应每个子组件,以克服这种限制。我们的工作扩展了TTS-GAN,通过在特定的编码上下文上调节其生成的输出,允许使用一个模型来拟合具有多个子分量的混合分布。从技术上讲,它是一种条件生成对抗网络,可以在不同类型的条件下对现实的多变量时间序列进行建模,例如分类变量或多变量时间序列。我们在UniMiB数据集上评估我们的模型,该数据集包含使用智能手机收集的人类活动XYZ轴的加速度数据。我们使用定性评估和定量指标,如主成分分析(PCA),我们引入了一个修改版本的弗雷歇初始距离(FID)来衡量我们的模型的性能和生成的和真实的数据分布之间的统计相似性。我们表明,这种基于变换的CGAN可以在不同的条件下产生现实的高维和长的数据序列。
2022-10-05 cs.AI cs.LG
OceanMoE: Structured Conditional Sparse Computation for Long-Horizon Multivariate Ocean Forecasting
Hangzhou Institute for Advanced Study, University of the Chinese Academy of Sciences(中国科学院大学杭州高等研究院);Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心)
OceanMoE提出结构化条件稀疏混合专家框架,通过内容条件路由与地理偏差平衡共享背景与特化,在长时程ORAS5预报中降低误差并保持优势。
2026-09-18 cs.LG
Distributional Random Forests: Heterogeneity Adjustment and Multivariate Distributional Regression
ETH Zürich(苏黎世联邦理工学院)
随机森林(Breiman,2001)是一个成功的和广泛使用的回归和分类算法。它的吸引力和多功能性的部分原因是它在训练数据上(隐式)构建了一个核型加权函数,它也可以用于原始均值估计之外的目标。我们提出了一种新的森林结构的多变量响应的联合条件分布的基础上,独立的估计目标和数据模型。它使用了一种新的分裂准则的基础上MMD分布度量,这是适合于检测多元分布的异质性。诱导的权重定义了完整条件分布的估计,这反过来又可以用于任意和潜在的复杂目标的兴趣。该方法是非常通用和方便使用,因为我们说明了广泛的例子。代码可以作为Python和R包drf提供。
2022-10-12 cs.LG stat.ME stat.ML
Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting
School of Medical Technology, Beijing Institute of Technology(北京理工大学医学技术学院);School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Department of Computer Science, Tongji University(同济大学计算机科学系);University of Technology Sydney(悉尼科技大学);DataX Research Centre, School of Computing, Macquarie University(麦考瑞大学计算学院DataX研究中心)
本文提出时序条件变分自编码器TCVAE,通过时序Hawkes注意力、门控注意力机制和条件连续归一化流建模多元时间序列的动态分布依赖,有效应对分布漂移,在六个真实数据集上验证了其优越的鲁棒性和预测性能。
2024-04-02 cs.LG
Multivariate Standardized Residuals for Conformal Prediction
Sierra team, Inria Paris, France(Inria巴黎分部)
本文提出多元标准化残差方法,通过白化残差解耦输出相关性并标准化局部方差,从而提升置信预测的条件覆盖性能。
2026-05-07 cs.AI cs.LG stat.ME
Graphical Transformation Models
Chair of Statistics, University of Göttingen, Germany(统计学系,哥廷根大学);Campus Institute Data Science, University of Göttingen, Germany(数据科学校园研究所,哥廷根大学);Department of Medical Bioinformatics, University Medical Center Göttingen, Germany(医学生物信息学系,哥廷根大学医学中心)
提出图形变换模型(GTMs),用定制多元变换替代高斯copula,结合惩罚样条和lasso正则化,实现复杂依赖建模与条件独立性识别。
2025-08-27 cs.LG stat.ME stat.ML
NV-Tesseract-AD: Curriculum-Enhanced Conditional Diffusion for Multivariate Time-Series Anomaly Detection
NVIDIA(英伟达)
本研究提出NV-Tesseract-AD,一种结合双轴课程学习的条件扩散框架,在多变量时间序列异常检测任务中实现了F1分数提升、MSE降低及零样本迁移的良好性能,同时明确了阈值校准为主要瓶颈。
2026-10-12 cs.LG
Estimation and Validation of Ratio-based Conditional Average Treatment Effects Using Observational Data
Stanford University(斯坦福大学);Biogen International GmbH(渤健国际有限公司);PwC Data & Analytics(普华永道数据与分析部);NeuroTransData(神经转归数据公司)
虽然随机临床试验中的样本量足够大,可以很好地估计平均处理效应,但它们通常不足以估计对研究数据驱动的精准医学至关重要的治疗-协变量相互作用。来自现实世界实践的观测数据可能在缓解这一问题方面发挥重要作用。试验中的一种常见方法是在每个治疗组中使用单独的回归模型预测关注的结果,并基于预测的对比估计处理效应。不幸的是,当回归模型被错误指定时,这种简单的方法可能会在观察性研究中诱导虚假的治疗-协变量相互作用。出于对多发性硬化患者复发次数建模的需要,复发率的比率是治疗效果的自然选择,我们建议将条件平均处理效应(CATE)估计为预期潜在结果的比率,并在治疗协变量相互作用的半参数模型中推导出该CATE的双重稳健估计。我们还提供了一个验证过程,以检查独立样本的估计量的质量。我们进行模拟,以证明有限样本的性能,所提出的方法,并通过检查富马酸二甲酯的处理效应相比特立氟胺在多发性硬化症患者的实际数据,说明其优势。
2020-04-21 cs.LG stat.ME stat.ML
Super-Level-Set Regression: Conditional Quantiles via Volume Minimization
Sierra team, Inria Paris, France(Inria巴黎研究所)
本文提出超水平集回归,通过直接优化几何边界,解决多变量回归中构造满足条件覆盖的最小体积预测区域的挑战,替代传统密度估计方法。
2026-05-07 cs.AI cs.LG stat.AP
EMFusion: Uncertainty-Aware Conditional Diffusion Model for Multivariate Narrow-band Exposure Forecasting
department of Electrical Engineering and Computer Science, York University(电气工程与计算机科学系,约克大学);School of Electrical and Electronic Engineering, Huazhong University of Science and Technology(电子与电气工程学院,华中科技大学);Central China Branch of State Grid Corporation of China(国家电网公司中部分部);Department of Electronic Engineering, University of Rome Tor Vergata(罗马大学Tor Vergata电子工程系);Consorzio Nazionale Interuniversitario per le Telecomunicazioni (CNIT)(国家大学间电信研究会(CNIT))
本文提出EMFusion框架,通过整合时间、季节等上下文因素,提供不确定性估计,以提升无线网络中频率选择性电磁场预测的准确性。
2026-06-24 cs.AI cs.LG cs.SY
Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
Institute for Applied Research HTWG - University of Applied Sciences(应用研究研究所 HTWG - 高等专业学院);Chair of Statistics and Campus Institute Data Science (CIDAS) University of Göttingen(统计学教授及校园数据科学研究所 (CIDAS) 雷姆森大学);Department of Statistics LMU Munich(统计学系 慕尼黑大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
针对多元密度回归中模型灵活性与可解释性难以兼顾的问题,提出结合多元条件变换模型(MCTM)与自回归归一化流(NF)的混合方法,兼顾边缘分布可解释性与联合分布建模灵活性,经实验验证性能优于现有方法。
2025-06-12 cs.LG stat.AP stat.ME
Contaminated Multivariate Time-Series Anomaly Detection with Spatio-Temporal Graph Conditional Diffusion Models
McGill University(麦吉尔大学);Mila - Quebec AI Institute(魁北克AI研究所)
针对训练数据被异常污染的无监督时间序列异常检测问题,提出TSAD-C框架,通过去污染、长程变量依赖建模和异常评分三模块实现端到端检测,并在四个数据集上达到新SOTA。
2025-05-09 cs.LG eess.SP
Accurate Bayesian Data Classification without Hyperparameter Cross-validation
King’s College London(伦敦国王学院)
我们扩展了标准的贝叶斯多变量高斯生成数据分类器考虑的共轭,正常的Wishart先验分布的推广,并推导出的超参数分析通过证据最大化。在高维数据制度的最佳超参数的行为进行了探讨。所得到的广义模型的分类精度是有竞争力的国家的最先进的贝叶斯判别分析方法,但没有通常的交叉验证的计算负担。
2017-12-28 cs.LG math.ST stat.ME