Ordinal pattern dependence as a multivariate dependence measure
在这篇文章中，我们表明，最近引入的顺序模式依赖适合一般多元依赖措施的公理框架，即，两个多变量随机对象之间的相关性度量。此外，我们认为多变量的推广建立单变量的依赖措施，如肯德尔的$τ$，斯皮尔曼的$ρ$和皮尔逊的相关系数。其中，只有多元Kendall的$τ$证明考虑了源自多维时间序列的随机向量的动态相关性。因此，本文着重于比较有序模式依赖和多元肯德尔的$τ$在这种情况下。为此，在数据生成时间序列为近历元依赖的假设下，建立了多元Kendall $τ$的极限定理.我们分析了如何有序模式依赖比较多变量肯德尔的$τ$和皮尔逊的相关系数的理论依据。此外，模拟研究表明，在多元肯德尔的$τ$和顺序模式依赖揭示的依赖性的种类的差异。
2021-08-26 math.ST stat.TH
Simulation of Multivariate Non-Gaussian Autoregressive Time Series with Given Autocovariance and Marginals
本文提出了一种半解析方法，用于生成给定线性相关结构和边缘分布的多元过程的实现。这是单变量过程的类似方法的扩展，基于从非高斯到高斯边缘的分段线性边缘变换，将非高斯过程的自相关变换为高斯过程的自相关。扩展到多变量过程涉及从边际变换中推导自相关矩阵，这决定了生成向量自回归过程。在不同的自协方差和边际情况下设计的系统上证明了该方法的有效性。
2014-03-13 math.PR math.ST stat.CO
Model-free Bootstrap Prediction Regions for Multivariate Time Series
在Das和Politis（2020）中，提出了一种无模型自举（MFB）范式，用于生成单变量（局部）平稳时间序列的预测区间。该算法的理论保证在Wang和Politis（2019）中在平稳性和弱依赖条件下得到了解决。按照这条工作线，在这里，我们扩展MFB预测推理下的多变量时间序列设置。我们描述了两种算法，第一种适用于任何固定维数d下的特定类别的时间序列;第二种适用于低维设置下的更一般化类别的时间序列。我们证明我们的程序通过理论的有效性和仿真性能。
2021-12-16 stat.AP stat.ME
A portmanteau test for multivariate non-stationary functional time series with an increasing number of lags
Tsinghua University（清华大学）
针对多元局部平稳函数型时间序列，提出一种无需降维的portmanteau白噪声检验，基于递增滞后阶数的退化U统计量高斯逼近，通过bootstrap实现。
2026-06-26 math.ST stat.ME stat.TH
MO-PaDGAN: Generating Diverse Designs with Multivariate Performance Enhancement
Siemens Corporate Technology（西门子企业技术公司）；Northwestern University（西北大学）
深度生成模型已被证明对自动设计综合和设计空间探索非常有用。然而，当应用于工程设计时，它们面临三个挑战：1）生成的设计缺乏多样性，2）难以显式地改进生成的设计的所有性能度量，以及3）现有模型通常在训练数据的域之外不生成高性能的新颖设计。为了解决这些挑战，我们提出了MO-PaDGAN，其中包含一个新的基于损失函数的概率建模的多样性和性能的决定点过程。通过一个真实的翼型设计实例，我们证明了MO-PaDGAN将设计空间的现有边界扩展到高性能区域，并生成具有高多样性和超过训练数据的性能的新设计。
2020-07-07 cs.LG stat.ML
Multivariate Spatio-Temporal Regression with Penalized Model Selection and an Empirical Application
Nagasaki University（长崎大学）；Meio University（名城大学）；Hiroshima University of Economics（广岛经济大学）
本文提出多元通用嵌套时空（MGNST）回归框架，结合惩罚模型选择方法，通过蒙特卡洛实验和日本关西地区198个城市的社会经济数据验证了其在分析多元时空依赖结构的有效性。
2026-08-21 stat.AP stat.ME
Generating multivariate time series with COmmon Source CoordInated GAN (COSCI-GAN)
University of British Columbia（不列颠哥伦比亚大学）
生成多变量时间序列是在许多医疗、金融和物联网应用中共享敏感数据的一种很有前途的方法。常见类型的多变量时间序列源自单一来源，例如来自医疗患者的生物计量测量。这导致了个体时间序列之间复杂的动态模式，这些模式很难通过典型的生成模型（如GANs）来学习。这些模式中包含有价值的信息，机器学习模型可以使用这些信息来更好地分类、预测或执行其他下游任务。我们提出了一个新的框架，考虑到时间序列的共同起源，有利于通道/功能关系的保存。我们的方法的两个关键点是：1）单个时间序列是从潜在空间中的一个公共点生成的，2）中心点有利于保持通道间/特征动态。我们的经验表明，我们的方法有助于保持通道/功能的相关性，我们的合成数据执行非常好的下游任务与医疗和金融数据。
2022-12-15 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
Generating and Exploring S-Box Multivariate Quadratic Equation Systems with SageMath
Federal Office for Information Security（德国联邦信息安全办公室）
本文提出了一种借助于计算机数学软件系统SageMath由密码S盒的代数表达式导出其输入输出比特变量的多元二次方程组的新方法。我们巩固了以前提出的MQ指标的不足，应该量化S盒对代数攻击的抵抗力。
2021-12-24 cs.AI cs.CR cs.LG
Representation Learning of Multivariate Time Series using Attention and Adversarial Training
University of Tübingen（蒂宾根大学）；University of Lübeck（吕贝克大学）
针对多变量时间序列生成研究不足的问题，提出基于Transformer的自编码器，用对抗训练正则化生成人工多变量时间序列，经t-SNE、DTW和熵分数评估，生成信号与示例数据集相似度高于卷积网络方法。
2024-12-11 cs.LG
Generating Sparse Counterfactual Explanations For Multivariate Time Series
Hertie Institute for Clinical Brain Research（赫蒂临床脑研究所）；Centre for Integrative Neuroscience（整合神经科学中心）；University of Tübingen（图宾根大学）
由于神经网络在关键领域发挥着越来越重要的作用，解释网络预测已成为一个关键的研究课题。反事实解释可以帮助理解为什么分类器模型决定特定的类分配，以及如何修改相应的输入样本以使类预测发生变化。以前的方法主要集中在图像和表格数据。在这项工作中，我们提出了SPARCE，生成对抗网络（GAN）的架构，生成SPARse反事实推理的多元时间序列。我们的方法提供了一个自定义的稀疏层和规则化的反事实损失函数的相似性，稀疏性和平滑的轨迹。我们评估我们的方法在现实世界中的人体运动数据集以及合成时间序列可解释性基准。虽然我们做了比其他方法更稀疏的修改，但我们在所有指标上都实现了相当或更好的性能。此外，我们还证明，我们的方法主要修改了显着的时间步骤和特征，而不影响非显着的输入。
2022-07-04 cs.AI cs.LG
Towards Synthetic Multivariate Time Series Generation for Flare Forecasting
Georgia State University（佐治亚州立大学）
训练数据驱动的罕见事件预测算法中的限制因素之一是感兴趣的事件的稀缺性，从而导致数据中的极端不平衡。在文献中已经介绍了许多方法来克服这个问题;通过欠采样和过采样、利用成本敏感的学习算法或通过根据现有数据的分布生成合成数据点来进行简单的数据操作。虽然合成数据生成最近受到了极大的关注，但对于多维时间序列等高维数据，这样做确实存在挑战。在这项研究中，我们探索了条件生成对抗网络（CGAN）作为执行数据通知过采样的一种手段的有用性，以平衡多变量时间序列的大型数据集。我们利用耀斑预测基准数据集，名为SWAN-SF，并设计了两种验证方法，以定量和定性地评估生成的少数和地面实况样本之间的相似性。我们通过在合成数据上训练经典的监督机器学习算法，并在看不见的真实数据上测试训练模型，进一步评估生成样本的质量。结果表明，与不使用增强的情况相比，在用合成多元时间序列增强的数据上训练的分类器实现了显着的改善。流行的耀斑预测评估指标TSS和HSS分别报告了20倍和5倍的改进，这表明了显着的统计相似性，以及基于CGAN的数据生成对复杂任务（如耀斑预测）的有用性。
2021-05-16 cs.LG
MEMPSEP III. A machine learning-oriented multivariate data set for forecasting the Occurrence and Properties of Solar Energetic Particle Events using a Multivariate Ensemble Approach
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Southwest Research Institute（西南研究院）；Cooperative Institute for Research in Environmental Sciences（合作环境科学研究所）；Space Weather Prediction Center, NOAA（美国国家海洋和大气管理局空间天气预测中心）
本文构建了一个融合多航天器原位与遥感数据的多变量数据集，用于训练机器学习模型以预报太阳高能粒子事件的发生及其性质，并支撑MEMPSEP集成预报框架。
2023-10-26 astro-ph.SR cs.LG physics.space-ph
