GPatt: Fast Multidimensional Pattern Extrapolation with Gaussian Processes
U. Cambridge(剑桥大学);WUSTL(圣路易斯华盛顿大学);Columbia U.(哥伦比亚大学)
高斯过程通常用于小数据集的平滑和插值。我们介绍了一个新的贝叶斯非参数框架- GPatt -使自动模式外推与高斯过程的大型多维数据集。GPatt统一并扩展了高度表达的内核和快速精确推理技术。没有人为干预-没有手工制作的内核功能,也没有复杂的初始化程序-我们表明,GPatt可以解决大规模的模式外推,修复和内核发现问题,包括383400训练点的问题。我们发现,GPatt显着优于流行的替代可扩展的高斯过程方法的速度和准确性。此外,我们发现这些方法之间的深刻差异,这表明表达内核,非参数表示和精确推理是有用的建模大规模多维模式。
2013-12-31 cs.AI cs.LG stat.ME
Modelling the effects of air pollution on health using Bayesian Dynamic Generalised Linear Models
短期暴露于空气污染与死亡率或发病率之间的关系一直是最近许多研究的主题,其中标准的分析方法使用泊松线性或相加模型。在本文中,我们使用贝叶斯动态广义线性模型(DGLM)来估计这种关系,它允许标准的线性或添加剂模型扩展到两种方式:(i)的长期趋势和时间相关性存在于健康数据可以模拟的自回归过程,而不是一个平滑的日历时间函数;(ii)空气污染的影响允许随着时间的推移而演变。这两个扩展的有效性进行了研究,通过应用一系列的动态和非动态模型,从大伦敦的空气污染和死亡率数据。采用贝叶斯方法进行推理,并给出了一种马尔可夫链蒙特卡罗仿真算法。另一种可能性为基础的分析,以允许直接比较,只有以前的空气污染和健康数据分析使用DGLM。
2012-01-26 stat.AP stat.ME
Probabilistic models for joint clustering and time-warping of multidimensional curves
在本文中,我们提出了一个家庭的算法,可以同时对齐和集群集的多维曲线上测量的离散时间网格。我们的方法是基于一个生成的混合模型,允许非线性时间扭曲的观察到的曲线相对于集群内的平均曲线。我们还允许时间轴的任意离散值平移、测量曲线的随机实值偏移和附加测量噪声。由此产生的模型可以被看作是一个动态贝叶斯网络,具有特殊的过渡结构,允许有效的推理和学习。期望最大化(EM)算法可用于同时恢复每个聚类的曲线模型以及每个曲线的最可能的时间扭曲、平移、偏移和聚类成员。我们演示了贝叶斯估计方法如何通过在聚类均值曲线中强制平滑来改善较小样本量的结果。我们在两个真实世界的数据集上评估了该方法,并表明DBN模型在预测能力方面比竞争方法有系统的改进。
2012-10-19 stat.AP
Integrating Complex Covariate Transformations in Generalized Additive Models
University of Edinburgh(爱丁堡大学);University of Bristol(布里斯托大学);Électricité de France R&D(法国电力公司研发部)
本文提出在广义加性模型中整合可解释的数值变量变换框架,通过最大后验方法联合估计参数,用于预测英国电力净需求和伦敦房价。
2026-03-27 stat.AP stat.ME
Scaling Multidimensional Inference for Structured Gaussian Processes
精确高斯过程(GP)回归对于数据大小N具有O(N^3)的运行时间,使得它对于大N是难以处理的。许多改进GP尺度的算法都是用低秩矩阵来逼近协方差。其他工作已经利用了特定协方差函数中固有的结构,包括具有隐含马尔可夫结构的GP和等间隔输入(两者都使O(N)运行时间)。然而,这些GP的进步还没有扩展到多维输入设置,尽管多维应用程序的优势。本文介绍和测试新的结构化GP多维输入的扩展。我们提出了新的方法添加剂GP,经典的回拟合方法和贝叶斯框架之间的一种新的连接。为了实现最佳的精度和复杂性的权衡,我们扩展了这个模型的投影寻踪回归的一个新的变种。我们的主要结果--投影寻踪高斯过程回归--在保持高精度的同时显示了数量级的加速。自然的第二步和第三步包括非高斯观测和高维等间距网格方法。我们引入新的技术来解决这两个必要的方向。我们在几个数据集上彻底说明了这三个进步的力量,以更低的成本实现了与幼稚全GP接近的性能。
2012-09-21 stat.ML
Modelling local and global phenomena with sparse Gaussian processes
Helsinki University of Technology(赫尔辛基工业大学)
最近的许多工作都涉及稀疏近似,以加快高斯过程回归从不利的O(n3)缩放计算时间为O(nm2)。到目前为止,工作集中在模型与一个协方差函数。然而,在许多实际情况下,具有多个协方差函数的加性模型可能表现得更好,因为数据可能包含长和短长度尺度现象。长尺度可以用全局稀疏近似(如完全独立条件(FIC))来捕获,短尺度可以自然地用具有紧支持(CS)的协方差函数来建模。CS协方差函数导致自然稀疏的协方差矩阵,其在计算上比完整的协方差矩阵更便宜。在本文中,我们提出了一个新的稀疏高斯过程模型与两个附加组件:FIC的长尺度和CS协方差函数的短尺度。我们给出了理论和实验结果,并表明在一定条件下,该模型具有相同的计算复杂性的FIC。我们还比较了所提出的模型的模型性能的加性模型近似的完全和部分独立的条件(PIC)。我们使用真实的数据集,并表明我们的模型优于FIC和PIC近似的数据集与两个添加剂的现象。
2012-06-13 cs.LG stat.ML
Change Surfaces for Expressive Multidimensional Changepoints and Counterfactual Prediction
Carnegie Mellon University(卡内基梅隆大学);New York University(纽约大学);Philips Research(飞利浦研究院);Cornell University(康奈尔大学)
识别模型参数的变化是机器学习和统计学的基础。然而,标准的变点模型在表现力方面是有限的,通常解决一维问题并假设瞬时变化。我们引入变化表面作为一个多维的和高度表达概括的变点。我们提供了一个模型不可知的形式化的变化表面,说明他们如何可以提供可变的,异构的,非单调的变化率在多个维度。此外,我们还展示了如何将变化曲面用于反事实预测。作为变化表面框架的具体实例,我们开发了高斯过程变化表面(GPCS)。我们证明了反事实预测贝叶斯后验均值和可信集,以及通过引入新的方法添加剂不可分离的内核大规模的可扩展性。使用两个大的时空数据集,我们采用GPCS发现和表征复杂的变化,可以提供科学和政策相关的见解。具体来说,我们分析了二十世纪美国麻疹发病率,并发现了麻疹疫苗引入后以前未知的异质性变化。此外,我们将该模型应用于纽约市铅检测试剂盒的请求,发现不同的空间和人口模式。
2018-10-30 cs.AI cs.LG stat.ME
Robust modelling framework for short-term forecasting of global horizontal irradiance
电力需求的增加和对清洁能源的需求增加了太阳能的使用。为了便于电网管理,需要准确的太阳能预测。本文利用比勒陀利亚大学2020年7月至2021年8月的数据,比较了两种高斯过程回归(GPR)模型与加性分位数回归(AQR)和贝叶斯结构时间序列(BSTS)模型相结合对全球水平辐照度进行提前2天预报的精度。采用四种方法进行变量选择,Lasso,ElasticNet,Boruta和GBR(梯度提升回归)。使用GBR选择的变量,因为它们产生最低的MAE(最小绝对误差)值。比较了七种模型GPR(高斯过程回归)、双层DGPR(双层深度高斯过程回归)、bstslong(贝叶斯结构时间序列长)、AQRA(加性分位数回归平均)、QRNN(分位数回归神经网络)、PLAQR(部分线性加性分位数回归)和Opera(ExpRt聚合在线预测)。用于选择最佳模型的评估指标是MAE(平均绝对误差)和RMSE(均方根误差)。使用适当的评分规则和墨菲图进行了进一步的评估。最好的个人模型被认为是GPR。最佳预测组合为基于MAE的AQRA(AQR Averaging)。而基于RMSE的GPNN是最佳的预测组合方法。像Eskom这样的公司可以使用本研究中采用的方法来控制和管理电网。其结果将促进经济发展和能源资源的可持续性。
2022-12-12 stat.AP
A novel generalized additive scalar-on-function regression model for partially observed multidimensional functional data: An application to air quality classification
Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
提出一种广义可加函数回归模型,无需插补即可处理部分观测的多维函数数据,并通过模拟研究和印度Dimapur空气污染分类应用验证了其有效性和准确性。
2025-10-30 stat.AP stat.ME
A Model Selection Criterion for Multidimensional Gaussian Processes: Application to Radial Velocities
University of Warwick(华威大学);University of Oxford(牛津大学)
针对多维高斯过程回归中联合建模辅助活动指标以分离恒星和行星信号的问题,提出一种基于条件径向速度似然和有效参数计数的信息准则MGIC_rv,用于比较不同多GP模型并识别最有效约束RV信号的活动指标。
2026-06-08 astro-ph.EP astro-ph.IM astro-ph.SR
Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data
McGill University(麦吉尔大学);HEC Montreal(蒙特利尔高等商学院)
本文提出贝叶斯互补核化学习(BCKL)框架,结合核化低秩张量分解与短程高斯过程,实现多维时空数据的高效可扩展概率建模,并在实验中验证了其在后验均值和不确定性估计上的优越性能。
2023-05-30 cs.LG stat.ML
Bayesian Additive Adaptive Basis Tensor Product Models for Modeling High Dimensional Surfaces: An application to high-throughput toxicity testing
许多现代数据集都是从复杂的高维表面采样的。诸如张量积样条或高斯过程之类的方法有效/非常适合于表征二维或三维的表面,但在表示更高维的表面时可能会遇到困难。受高通量毒性测试的启发,其中观察到的剂量-响应曲线是由化学品的结构特性定义的表面的横截面,开发了一种模型来表征该表面以预测未经测试的化学品的剂量-响应。这篇手稿提出了一种新的方法,将多维表面建模为学习的基函数的总和,这些基函数形成为低维函数的张量积,这些函数本身可以通过从数据中学习的基扩展来表示。描述了该模型,提出了一种吉布斯抽样算法,并在模拟研究以及从美国环保局的ToxCast高通量毒性测试平台的数据进行了研究。
2017-06-15 stat.ML
Modelling heterogeneity in Latent Space Models for Multidimensional Networks
多维网络数据可以具有不同的复杂程度,因为节点可以由异构的个体特定特征表征,这些特征可以在网络中变化。本文介绍了一类多维网络数据的模型,其中可以考虑不同层次的网络内和网络之间的异构性。所提出的框架是在潜在空间模型家族中开发的,其目的是区分节点和节点特定特征之间的对称关系。通过马尔可夫链蒙特卡罗算法估计模型参数。仿真数据和应用程序的一个真实的例子,水果进口/出口数据,被用来说明和评论所提出的模型的性能。
2019-06-07 stat.ME
On a computationally-scalable sparse formulation of the multidimensional and non-stationary maximum entropy principle
Università della Svizzera Italiana(瑞士意大利语区大学);Swiss Finance Institute(瑞士金融研究所)
基于最大熵原理(MaxEnt-principle)的数据驱动建模和计算预测旨在找到尽可能简单(但不是比必要更简单)的模型,以避免数据过拟合问题。我们推导出一个多变量的非参数和非平稳制定的最大熵原理,并表明其解决方案可以近似通过数值最大化的稀疏约束优化问题与正则化。流行的金融基准算法的应用程序揭示了无记忆模型,允许简单和定性的描述主要股票市场指数的数据。我们比较所获得的最大熵模型的异方差模型从计算计量经济学(GARCH,GARCH-GJR,MS-GARCH,GARCH-PML 4)的模型拟合,复杂性和预测质量。我们比较由此产生的模型对数似然,贝叶斯信息准则的值,后验模型概率,数据自相关函数拟合的质量以及风险价值预测质量。我们发现,所有考虑的七个主要的金融基准时间序列(DJI,SPX,富时,STOXX,SMI,HSI和N225)更好地描述了条件无记忆的最大熵模型与非平稳状态切换比常见的计量经济模型与有限的记忆。这一分析还揭示了一个稀疏的网络的显着的时间关系的积极和消极的潜在方差的变化,不同的市场。该代码是开放获取的。
2020-05-07 cs.LG stat.CO
A Bias-Corrected Two-Stage Approach for Joint Modelling of Multidimensional Longitudinal HRQoL and Survival Data
UCLouvain(天主教鲁汶大学);Université de Liège(列日大学)
针对多维纵向HRQoL与生存数据联合建模中全联合估计计算量大的问题,提出斜率校正两阶段方法,通过信息先验传播纵向信息并重估斜率参数,降低偏差并保持计算效率。
2026-06-23 stat.AP stat.ME
Information-Theoretic Scoring Rules to Learn Additive Bayesian Network Applied to Epidemiology
University of Zurich(苏黎世大学)
贝叶斯网络建模是一种非常适合研究杂乱和高度相关的数据集的方法,这些数据集在例如,系统流行病学从观测数据集学习贝叶斯网络的一种流行方法是在搜索和评分方法中识别最大后验网络。许多分数都是基于贝叶斯或频率论提出的。从应用的角度来看,一个合适的方法将允许数据的多个分布,并且足够强大,可以自主运行。计算分数的一个有前途的框架是广义线性模型。事实上,存在快速估计算法和许多针对常见流行病学问题的定制解决方案。本文的目的是提出一个R包ABN,它具有多个频率论分数的实现和一些现实的模拟,显示其可用性和性能。它包括有效处理数据分离和调整的功能,这在系统流行病学中非常常见。
2018-08-03 cs.LG stat.CO stat.ML
Generative Modelling With Inverse Heat Dissipation
Aalto University(阿尔托大学)
本文提出一种通过随机逆转热方程生成图像的新模型,利用图像多尺度结构实现由粗到细的生成,并展现出颜色与形状解耦等优于标准扩散模型的特性。
2023-04-12 cs.CV cs.LG stat.ML
"Spatial Joint Models through Bayesian Structured Piece-wise Additive Joint Modelling for Longitudinal and Time-to-Event Data"
针对空间联合模型稀缺及传统比例风险公式计算难题,提出基于分段指数风险、计数过程表示与结构化加性预测变量的联合模型,可估计多类效应,性能优、速度快且在不平衡数据下稳定。
2023-02-14 stat.CO stat.ME
Additive Covariance Matrix Models: Modelling Regional Electricity Net-Demand in Great Britain
针对英国14个区域电力净需求联合预测难题,提出基于改进Cholesky参数化的多元高斯加性模型,结合梯度提升半自动化选模,预测性能优于两种非高斯copula模型,可解释协变量的影响。
2024-04-17 stat.AP stat.CO stat.ME
Statistical modelling of COVID-19 data: Putting Generalised Additive Models to work
在COVID-19疫情期间,广义加性模型(GAM)已多次成功应用于获取重要的数据驱动见解。在本文中,我们进一步证实了GAM的成功故事,通过关注三个相关的流行病相关问题来展示其灵活性。首先,我们研究了不同年龄组感染之间的相互依赖性,重点是学童。在这种情况下,我们推导出参数估计独立于(未知)病例检出率的设置,这在COVID-19监测数据中起着重要作用。其次,我们对住院的发生率进行建模,因为数据只能在时间延迟的情况下获得。我们说明了如何纠正这种报告延迟通过即时预报程序可以自然地纳入GAM框架作为一个抵消项。第三,我们提出了重症监护病房(ICU)每周入住率的多项式模型,其中我们区分了COVID-19患者、其他患者和空置床位的数量。通过这三个例子,我们旨在展示GAM的实用性和“现成”的适用性,以从真实世界的数据中获得新的见解。
2022-01-04 stat.AP stat.ME
Modelling phenology using ordered categorical generalized additive models
本文提出使用R包mgcv对有序分类数据进行广义加性建模的灵活方法,解决生态物候数据分析中因忽略数据自然结构而导致的错误推断问题。
2025-08-11 q-bio.QM stat.ME
A note on basis dimension selection in generalized additive modelling
提出了两种新的方法,用于检查使用惩罚回归平滑器时的基函数的维数。第一种方法是充分的基础尺寸的基础上的残差方差的估计计算的差分残差是邻居根据平滑协变量的测试。第二种方法是基于模型残差相对于模型协变量的平滑估计自由度。与基于平滑性选择准则的基维选择算法(GCV、AIC、REML)相比,上述过程对于作为模型检查的一部分的常规使用来说是足够计算有效的。
2016-02-22 stat.ME stat.OT
Additive Bayesian Network Modelling with the R Package abn
Zurich University(苏黎世大学);Danone Nutricia Research(达能纽迪希亚研究中心);National Veterinary Institute(国家兽医研究所);Geneva University(日内瓦大学)
R包abn旨在将添加的贝叶斯模型拟合到观测数据集。它包含基于广义线性模型的贝叶斯或信息理论公式对贝叶斯网络进行评分的例程。它配备了精确搜索和贪婪搜索算法来选择最佳网络。它支持连续、离散和计数数据的可能混合,并在结构层面上输入先验知识。贝叶斯实现支持随机效应来控制单层聚类。在本文中,我们给出了一个概述的方法,并说明该软件包的功能,使用兽医数据集的呼吸道疾病在商业猪生产。
2019-11-20 cs.LG stat.ME stat.ML
Bayesian Effect Selection for Additive Quantile Regression with an Analysis to Air Pollution Thresholds
空气污染建模中使用的统计技术通常无法了解哪些预测因子以何种函数形式影响空气污染;并且无法回归当局直接规定的某些阈值。后者自然地诱导条件分位数并反映特定事件的严重性。在本文中,我们专注于这一重要方面,进一步发展分位数回归模型。我们提出了一个通用的贝叶斯效应选择方法添加分位数回归在一个高度可解释的框架。我们把单独的正常β素数尖峰和板条先验的标量重要性参数的影响部分,并实现了一个快速的吉布斯抽样计划。具体而言,它能够研究特定分位数的协变量效应,允许这些协变量具有使用加性预测因子的一般函数形式,并便于分析人员决定是否应将效应线性、非线性或根本不包括在感兴趣的分位数中。在对马德里(西班牙)空气污染数据的详细分析中,我们发现了模拟极端二氧化氮(NO2)浓度的附加值,以及阈值如何由几个气候变量和交通作为空间代理不同地驱动。我们的研究结果支持需要增强的统计模型,以支持短期决策,使地方当局能够减轻甚至防止NO2浓度限值的偏差。
2021-05-23 stat.AP stat.CO stat.ME
Time-dependent mediators in survival analysis: Modelling direct and indirect effects with the additive hazards model
我们讨论了生存数据的因果中介分析,并提出了一种新的方法的基础上的加性风险模型。重点是动态的观点,即理解直接和间接影响如何随时间发展。因此,重要的是,我们允许一个随时间变化的中介。为了定义这种纵向生存环境中的直接和间接影响,我们采用了一种干预方法(Didelez(2018)),其中将治疗分为影响介质的一个方面和影响生存的另一个方面。一般来说,这导致了非参数g公式的一个版本(Robins(1986))。在本文中,我们证明了相结合的g-公式与添加剂的危害模型和一个连续的线性模型的中介过程中的结果在简单和可解释的表达的直接和间接的影响,相对生存以及累积的危害。我们的研究结果概括和形式化了动态路径分析方法(Fosen et al.(2006),Strohmaier et al.(2015))。一个应用程序的血压药物的临床试验数据。
2021-02-08 stat.ME
Closed form estimates for missing counts in multidimensional incomplete tables
分析不完整表的一种有用技术是使用对数线性模型对变量的缺失数据机制进行建模。在本文中,我们使用对数线性参数化,并提出了估计方法的任意三路和$n$维不完全表。考虑了一个或多个变量数据可能缺失的所有可能情况。我们为各种缺失数据模型提供了预期细胞计数和参数的简单封闭形式估计。在不可分解的无响应模型下,我们也得到了显式的边界估计。最后,一个现实生活中的数据集进行了分析,以说明我们的多维不完整表的建模和估计的结果。
2019-10-24 stat.ME
Measuring the depth of multidimensional poverty with ordinal data
University of Siena(锡耶纳大学)
本文提出了一种基于序数数据的多维贫困深度测量方法,通过经验累积分布计算 deprivation 深度,保留了计数方法的识别和聚合结构,为多维贫困测量提供了理论基础。
2026-08-27 econ.GN q-fin.EC stat.AP
Flexible and Scalable Bayesian Modelling of Spatio-Temporal Hawkes Processes
Faculty of Informatics, Università della Svizzera italiana(瑞士意大利大学信息学院);Department of Mathematics and Statistics, University of Cyprus(塞浦路斯大学数学与统计系)
本文提出一种全贝叶斯非参数框架,利用加性高斯过程建模空间-时间Hawkes过程,通过分离时空效应提升可解释性,同时保持高灵活性,并通过稀疏变分推断实现可扩展性。
2026-03-30 stat.ME
Modelling volume-outcome relationships in health care
本文提出多层可加混合模型,将容量效应建模为平滑函数并分离提供者效应,基于因果 DAG 给出因果解释条件与联合置信集,且经模拟和德国数据验证。
2022-03-24 stat.AP stat.ME
Semiparametric Spatiotemporal Model with Mixed Frequencies
针对不同来源时间序列数据的混合频率问题,提出一种半参数时空模型,利用backfitting算法估计高频变量的非参数效应,模拟与玉米产量预测实验均证明其优于基准广义可加模型。
2021-05-04 stat.ME
Tree-Structured Modelling of Categorical Predictors in Regression
广义线性和加法模型是非常有效的回归工具,但如果需要高阶相互作用,则相关项的选择变得困难。相比之下,基于树的方法也被称为递归分区,它被明确地设计为对特定形式的交互进行建模,但由于它们专注于交互,往往会忽略主效应。这里提出的方法集中在分类预测因子的主要影响,通过使用树型方法来获得聚类。特别是当预测有许多类别时,人们想知道哪些类别必须根据它们对响应的影响来区分。树形结构的方法允许检测共享相同效果的类别的集群,同时让其他变量,特别是度量变量,对响应具有线性或加性影响。提出了一种算法的拟合和各种停止标准进行评估。优选的停止标准基于表示条件推理过程的$p$值。此外,还研究了聚类的稳定性,并通过自举方法研究了变量之间的相关性。几个应用程序显示了有用的树结构聚类和一个小的模拟研究表明,拟合过程工作良好。
2015-04-18 stat.ME
iprior: An R Package for Regression Modelling using I-priors
这是R软件包iprior的概述,它实现了拟合参数和非参数回归模型的统一方法,包括加法模型、多水平模型和具有一个或多个函数协变量的模型。基于最大熵原理,I先验是协方差核等于费舍尔信息的回归函数的客观高斯过程先验。回归函数由I先验下的后验均值估计,超参数由极大边缘似然估计。I-prior模型的估计简单,推理简单,而小样本和大样本的预测性能与类似的领先的最先进的模型相当,而且往往更好。我们通过分析模拟玩具数据集以及三个真实数据的例子,特别是,一个多层次的数据集,一个纵向数据集,和一个数据集,涉及一个功能协变量的iprior包的使用。
2019-11-30 stat.CO stat.ME
Additive Partially Linear Models for Massive Heterogeneous Data
我们考虑一个添加剂的部分线性框架建模大量的异构数据。主要目标是在所有子群体中同时提取多个共同特征,同时探索每个子群体的异质性。我们提出了一个聚集型估计的共性参数,具有渐近最优界和渐近分布,如果没有异质性。当子种群的数量增长不太快并且仔细选择调优参数时,这个预言结果成立。一个插件估计的异质性参数进一步构建,并具有渐近分布,如果共性信息是可用的。此外,我们开发了一个异质性测试的线性成分和同质性测试的非线性成分。所提出的方法的性能进行评估,通过模拟研究和应用程序的医疗保险提供者利用和支付数据。
2018-12-28 math.ST stat.ME stat.TH
Discrete Weibull generalised additive model: an application to count fertility data
生育计划,衡量计划生育子女的数量,已被发现通过复杂的尾部依赖关系受教育和家庭背景的影响。这个挑战以前遇到了使用非参数抖动的方法。本文展示了一种新的广义可加模型的基础上离散韦布尔分布提供的协变量的生育计划,这是比较抖动的部分效果,没有交叉条件分位数的固有缺点。该模型具有一些额外的理想的功能:过度和欠分散的数据都可以用这个分布建模,条件分位数有一个简单的解析形式和可能性是一个连续的韦布尔分布与区间删失数据相同。后者意味着有效的实现已经可用,在R包gamlss中,用于一系列模型和推理程序,并且与抖动和COM-泊松方法相比,在一小部分时间内,显示出这种方法对计数数据建模的广泛适用性的潜力。
2018-01-24 stat.ME
Variational Inference for Additive Main and Multiplicative Interaction Effects Models
Hamilton Institute(汉密尔顿研究所);Maynooth University(梅努斯大学);Insight Centre for Data Analytics(洞察数据分析中心)
在植物育种中,基因型与环境(GxE)的相互作用对栽培决策和新作物品种的引进有很大的影响。线性和双线性项的组合已被证明是非常有用的建模这种类型的数据。一个广泛使用的方法来确定GxE是加性主效应和乘性相互作用效应(AMMI)模型。然而,由于数据往往是高维的,马尔可夫链蒙特卡罗(MCMC)方法在计算上是不可行的。在这篇文章中,我们考虑这样一个模型的变分推断方法。我们推导出变分近似估计的参数,我们比较的近似MCMC使用模拟和真实的数据。我们提出的新推理框架平均速度快两倍,同时保持与MCMC相同的预测性能。
2022-06-29 cs.LG stat.ME stat.ML
Model Averaging based Semiparametric Modelling for Conditional Quantile Prediction
在实际数据分析中,底层模型往往是未知的,建模策略对数据分析的成功起着关键作用。受模型平均化思想的启发,我们提出了一种新的半参数建模策略,用于条件分位数预测,而无需假设底层模型是任何特定的参数或半参数模型.由于交叉验证法选择的权值具有最优性,因此该建模策略的预测结果比常用的变系数模型和加性模型等半参数模型的预测结果更准确。渐近性质建立的建模策略连同其估计过程。进行了深入的模拟研究,以证明如何以及所提出的方法的作品,在各种情况下,与其替代品相比。结果表明,所提出的方法确实导致更准确的预测比它的替代品。最后,将所提出的建模策略及其预测方法应用于波士顿的住房数据,得到了比常用的替代方法更准确的住房价格分位数预测,从而为我们提供了一个更准确的波士顿住房市场的图景。
2022-03-18 math.ST stat.ME stat.TH
Daily peak electrical load forecasting with a multi-resolution approach
CELESTE, Inria Saclay(法国国家信息与自动化研究所萨克雷研究中心,CELESTE);School of Mathematics, University of Bristol(布里斯托大学数学学院);EDF Lab(法国电力集团研究院)
在智能电网和负载均衡的背景下,每日峰值负载预测已成为能源行业利益相关者的关键活动。了解峰值大小和时间对于实施智能电网策略(如调峰)至关重要。本文提出的建模方法利用高分辨率和低分辨率信息来预测每日高峰需求的大小和时间。由此产生的多分辨率建模框架可以适应不同的模型类。本文的主要贡献是:a)一般和正式介绍的多分辨率建模方法,b)在不同的分辨率通过广义加性模型和神经网络和c)从英国电力市场的真实数据的实验结果实现的建模方法的讨论。结果证实,所提出的建模方法的预测性能是有竞争力的低和高分辨率的替代品。
2021-12-08 cs.LG stat.ME
Identification and validation of periodic autoregressive model with additive noise: finite-variance case
针对现实数据含加性噪声的情况,本文基于残差序列特征函数提出有限方差噪声下PAR模型的阶数选择、周期估计及残差验证方法,构建周期非平稳数据的通用分析框架,成果受机器状态监测相关研究启发。
2023-10-02 math.ST stat.ME stat.TH