×
维塔利·库兹涅佐夫;梅赫里亚·莫赫里

基于差异的非平稳时间序列预测理论和算法。 （英文） Zbl 1452.62654号

安。数学。Artif公司。智力。 88，第4期，367-399（2020年）.
摘要：我们给出了非平稳非混合随机过程一般情况下的数据相关学习界。我们的学习保证是以序列复杂性的数据依赖性度量和差异性度量来表示的，差异性度量可以根据一些温和假设下的数据进行估计。我们的学习边界指导了非平稳时间序列预测新算法的设计，我们报告了一些良好的实验结果。

引用于1文件

MSC公司：

62米10 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测
62升10 序列统计分析
68T05型 人工智能中的学习和自适应系统
2015年第68季度 复杂性类（层次结构、复杂性类之间的关系等）

关键词：

时间序列;预测;非平稳的;非混合;泛化界限;差异;预期序列覆盖数;顺序Rademacher复杂性

软件：

Wasserstein甘
PDF格式BibTeX公司 XML格式引用
\textit{V.Kuznetsov}和\textit{M.Mohri}，Ann.数学。Artif公司。智力。88，第4号，367--399（2020；Zbl 1452.62654）
全文： 内政部

参考文献：

[1] 亚当斯，TM；Nobel，AB，Vapnik-Chervonenkis类在遍历抽样下的一致收敛，Ann.Probab。，38, 4, 1345-1367 (2010) ·Zbl 1220.60019号
[2] 阿加瓦尔，A。；Duchi，JC，相关数据在线算法的泛化能力，IEEE Trans。《信息论》，59，1573-587（2013）·Zbl 1364.68372号
[3] 阿尔基尔，P。；李，X。；Wintenberger，O.，《通过统计学习预测时间序列：一般损失和快速率》，依赖。型号1。，1, 65-93 (2014) ·Zbl 06297673号
[4] Alquier，P.，Wintenberger，O.：弱相关时间序列预测的模型选择。技术报告2010-39，经济与统计中心（2010年）·Zbl 1243.62117号
[5] Andrews，D.：一阶自回归过程和强混合Cowles基金会讨论论文664，Cowles经济学研究基金会，耶鲁大学（1983）
[6] Arjovsky，M.，Chintala，S.，Bottou，L.：Wasserstein GAN。1701.07875 (2017)
[7] Baillie，R.，《计量经济学中的长记忆过程和分数积分》，J.Econ。，73, 1, 5-59 (1996) ·Zbl 0854.62099号
[8] Barve，R.D.，Long，P.M.：关于从漂移分布中学习的复杂性。输入：COLT（2010）·兹伯利0887.68093
[9] Berti，P。；Rigo，P.，可交换随机变量的Glivenko-Cantelli定理，统计。普罗巴伯。莱特。，32, 4, 385-391 (1997) ·Zbl 0904.60025号
[10] Bollerslev，T.：广义自回归条件异方差。计量经济学杂志（1986）·Zbl 0616.62119号
[11] Box，G.E.P.，Jenkins，G.：时间序列分析、预测和控制。Holden-Day公司（1990年）·Zbl 0249.62009号
[12] PJ布罗克韦尔；Davis，RA，《时间序列：理论和方法》（1986），纽约：Springer，纽约
[13] Chen，L。；Wu，WB，线性时间序列经验过程的浓度不等式，J.Mach。学习。决议，18，231，1-46（2018）·Zbl 1476.60039号
[14] De la Peña，V.H.，Giné，E.：解耦：从依赖到独立：随机停止的过程、U-统计和过程、鞅及其他。概率及其应用。纽约州施普林格市（1999）·Zbl 0918.60021号
[15] Doukhan，P.，《混合：特性和示例》。《统计学讲义》（1994），纽约：斯普林格，纽约·Zbl 0801.60027号
[16] Engle，R.，英国通货膨胀方差估计的自回归条件异方差，《计量经济学》，50，4，987-1007（1982）·Zbl 0491.62099号
[17] Hamilton，J.D.：时间序列分析。普林斯顿大学（1994）·Zbl 0831.62061号
[18] Kuznetsov，V.，Mariet，Z.：时间序列序列到序列建模的基础。In:AISTATS（2019）
[19] 维塔利·库兹涅佐夫；Mohri，Mehryar，《非静态过程时间序列预测的广义界限》，计算机科学讲义，260-274（2014），查姆：斯普林格国际出版公司，查姆·Zbl 1432.62304号
[20] Kuznetsov，V.，Mohri，M.：非平稳时间序列预测的学习理论和算法。In:NIPS（2015）
[21] 库兹涅佐夫，V.，莫赫里，M.：时间序列预测和在线学习。输入：COLT（2016）
[22] 库兹涅佐夫，V.，莫赫里，M.：判别状态空间模型。In:NIPS（2017a）
[23] 库兹涅佐夫，V。；Mohri，M.，非平稳混合过程的广义界，马赫数。学习。，106，1，93-117（2017）·Zbl 1412.68186号
[24] Ledoux，M.，Talagrand，M.：巴拿赫空间中的概率：等高线和过程。Ergebnisse der Mathematik和ihrer Grenzgebiete。美国政府印刷局（1991）·Zbl 0748.60004号
[25] 利特斯顿，N.：当不相关的属性大量存在时快速学习：一种新的线性阈值算法。机器学习（1987）
[26] Lorenz，EN，《自然发生类似物揭示的大气可预测性》，J.Atmos。科学。，26, 636-646 (1969)
[27] Lozano，A.C.，Kulkarni，S.R.，Schapire，R.E.：正则化增压算法与平稳β-混合观测的收敛性和一致性。In:NIPS（2006）
[28] Meir，R.，通过自适应模型选择进行非参数时间序列预测。，机器学习，39，1，5-34（2000）·Zbl 0954.68124号
[29] 莫达，DS；Masry，E.，平稳随机过程的记忆-通用预测，IEEE Trans-Inf理论，44,1117-133（1998）·兹伯利0938.62106
[30] 莫赫里（Mohri，Mehryar）；穆尼奥斯·麦迪纳（Muñoz Medina），安德烈斯·安德烈斯（Andres），《利用漂移分布进行学习的新分析和算法》（New Analysis and Algorithm for Learning with Drifting Distributions），计算机科学课堂讲稿，124-138（2012），柏林，海德堡：施普林格·柏林-海德堡，柏林·兹比尔1367.68236
[31] Mohri，M.，Rostamizadeh，A.：非身份识别过程的Rademacher复杂性界限。In:NIPS（2009）·Zbl 1242.68238号
[32] 莫赫里，M。；Rostamizadeh，A.，稳态φ-混合和β-混合过程的稳定性界限，J.Mach。学习。第11789-814号决议（2010年）·Zbl 1242.68238号
[33] Pestov，V.：预测PAC可学习性：从可交换输入数据中学习的范例。致：GRC（2010）
[34] Rakhlin，A.、Sridharan，K.、Tewari，A.：在线学习：随机平均值、组合参数和可学习性。In:NIPS（2010）
[35] Rakhlin，A.，Sridharan，K.，Tewari，A.：在线学习：随机、约束和平滑的对手。In:NIPS（2011）
[36] 拉克林，A。；Sridharan，K。；Tewari，A.，《通过顺序复杂性进行在线学习》。，JMLR，16，1，155-186（2015）·Zbl 1337.68232号
[37] Rakhlin，A.，Sridharan，K.，Tewari，A.：序列复杂性和统一的大数鞅定律。概率论及相关领域（2015b）·Zbl 1356.60029号
[38] Shalizi，C.，Kontorovich，A.：预测PAC学习和过程分解。In:NIPS（2013）
[39] Steinwart，I.和Christmann，A.：从非身份证观察中快速学习。In:NIPS（2009）
[40] 陶，PD；用于求解信任区域子问题的一种LTH，A D.C.优化算法，SIAM J.Optim。，8, 2, 476-505 (1998) ·Zbl 0913.65054号
[41] Vidyasagar，M.：学习和泛化理论：应用于神经网络和控制系统。施普林格，纽约（1997）·Zbl 0928.68061号
[42] Yu，B.，平稳混合序列经验过程的收敛速度，Ann.Probab。，22, 1, 94-116 (1994) ·Zbl 0802.60024号
[43] Zhao，Giannakis，D.：动态自适应核的模拟预测。CoRR，arXiv:1412.3831（2016）·兹比尔1365.37062
[44] Zimin，A.，Lampert，C.：条件风险最小化的学习理论。致：AISTAT（2017）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。