Mixed moving average field guided learning for spatio-temporal data
混合移动平均场引导的时空数据学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究具有时空依赖的数据预测、集成算法及预测误差界。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
混合移动平均场引导的时空数据学习
- 研究问题
- 在时空混合移动平均场的预测分布通常未知时，如何构造集成预测，并对具有时空依赖的数据提供学习误差保证？
- 方法与思路
- 作者构造时空嵌入，采用广义贝叶斯算法结合 Lipschitz 预测器进行集成预测，并推导固定时点和任意时点的 PAC 贝叶斯界。
- 材料陈述的贡献
- 摘要称，该框架可在模型引导下处理时空预测与依赖问题，并用线性预测器及模拟时空 Ornstein–Uhlenbeck 数据检验表现。
- 阅读关注点
- 应核对时空嵌入的信息可用性、依赖条件、损失函数及概率界形式，并明确文中因果预测所指的时间信息约束。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出概率界的条件与数值，因果预测也不能直接解释为干预效应识别。
原文摘要
Influenced mixed moving average fields are a versatile modeling class for spatio-temporal data. However, their predictive distribution is not generally known. Under this modeling assumption, we define a novel spatio-temporal embedding and a theory-guided machine learning approach that employs a generalized Bayesian algorithm to make ensemble forecasts. We use Lipschitz predictors and determine fixed-time and any-time PAC Bayesian bounds in the batch learning setting. Performing causal forecast is a highlight of our methodology as its potential application to data with spatial and temporal short and long-range dependence. We then test the performance of our learning methodology by using linear predictors and data sets simulated from a spatio-temporal Ornstein-Uhlenbeck process.