发现多时间序列的潜在协方差结构
机器学习
2019-05-23 v4
摘要
分析多元时间序列数据对于预测金融、制造和行政决策中复杂系统的未来事件与变化至关重要。组合协方差结构显著提升了高斯过程回归方法的表现力。在本文中，我们提出了一种新的 GP 模型，通过在共享核的存在性上放置 Indian Buffet Process (IBP) 先验，自然地处理多时间序列。我们的选择性协方差结构分解允许在一组选定的多时间序列上利用共享参数。我们还研究了引入无限潜在分量时模型的良定性。我们提出了一种实用的搜索算法，能够高效地探索更大的结构空间。在五个真实世界数据集上进行的实验表明，我们的新模型在结构发现和预测性能方面均优于现有方法。
引用
@article{arxiv.1703.09528,
title = {Discovering Latent Covariance Structures for Multiple Time Series},
author = {Anh Tong and Jaesik Choi},
journal= {arXiv preprint arXiv:1703.09528},
year = {2019}
}
备注
ICML2019, 13 pages