arXiv:2609.25144v1 stat.ME

렙토-분산의 정보적 내용과 고차 적률과의 관계

The Informational Content in Lepto-Variance and Its Relation to Higher Moments

Vassilis Polimenis

제출 2026-09-23

한국어 초록

렙토 회귀(Lepto-regression)는 목표 특징(feature)을 그 자신에 대해 회귀 트리(Regression Tree)로 구성하는 머신러닝 과정으로 정의된다. 이는 표본 구조의 중요한 속성에 관한 정보를 드러낼 가능성이 있는, 모델 비의존적(model-free)인 새로운 방법이다. 그러나 렙토-분산(lepto-variance)이 담고 있는 정보가 무엇인지, 그리고 이것이 표본의 다른 잘 알려진 통계량과 어떤 관계가 있는지는 아직 명확하지 않다. 한 가지 중요한 발견은 미국 주식 수익률의 역사적 변동성 중 58%가 어떠한 금융 요인으로도 설명할 수 없는 1비트 렙토-분산이라는 점이다. 본 논문에서 다루는 핵심 질문은, 정규분포 N(0, 1)에서 추출한 작은 표본을 이용하여 1비트 표본 렙토-분산과 렙토 비율(lepto-ratio)이 표본 분산, 왜도(skewness), 초과 첨도(excess kurtosis)와 어떤 관계를 갖는지 탐구하는 것이다. 대규모 표본 시뮬레이션을 통해, 정규분포의 렙토 비율은 36.3%로 수렴하는 것으로 나타났다. 정규분포 N(0, 1)에서 생성한 더 작은 시뮬레이션 표본의 경우, 렙토-분산 자체는 표본 분산과 높은 상관관계를 보이는 반면, 전체 분산에서 렙토-분산이 차지하는 비율은 초과 첨도와 높은 상관관계를 보인다. 렙토-분산과 렙토 비율은 모두 표본 왜도와 직교한다. 또 다른 발견은, 렙토 비율이 렙토-분산과 강한 상관관계를 가지면서도 표본 분산과는 직교한다는 점이다.

원문 초록

Lepto-regression is defined as the machine learning process of constructing a Regression Tree of a target feature on itself. It is a novel, model-free method potentially revealing information on important sample structure properties. But it is yet not clear what the informational content of lepto-variance is and how it is related to other well-known statistics of a sample. One significant finding is that 58% of the historical US stock return variability is 1-bit lepto-variance that can not be explained by any financial factor. The central question investigated in this paper is to use small normal N(0, 1) drawn samples to explore how the 1-bit sample lepto-variance and lepto-ratio relate to sample variance, skewness and excess kurtosis. Using a large sample simulation, the lepto ratio of a normal is found to converge to 36.3%. For smaller normally distributed simulated N(0, 1) samples, while lepto-variance itself is highly correlated to sample variance, lepto-variance as a fraction of total variance is highly correlated to excess kurtosis. Both lepto-variance and lepto-ratio are orthogonal to sample skew. Another finding is that while lepto-ratio is strongly correlated to lepto-variance it remains orthogonal to sample variance.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.25144v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26972v1cs.LG공통 태그 regression, Time Series Analysis

TinyUDE: 리-테일러 제트 매칭을 통한 마이크로컨트롤러 기반의 솔버 없는 범용 미분 방정식

TinyUDE: Solver-Free Universal Differential Equations on Microcontrollers via Lie-Taylor Jet Matching

범용 미분 방정식(UDE) 학습(training)은 전통적으로 수치적 ODE 솔버를 통한 역전파에 의존하므로, 엣지 마이크로컨트롤러의 성능을 크게 초과하는 메모리 사용량을 발생시킵니다. 본 논문에서는 관측된 시스템 상태의 1차 및 2차 시간 도함수(derivative)에 하이브리드 벡터장을 직접 피팅하는 솔버 없는(solver-free) 학습 프레임워크인 리-테일러 제트 매칭(Lie-Taylor jet matching)을 제시합니다. 절단된 리-테일러 제트(truncated Lie-Taylor jet)인 이러한 도함수는 사비츠키-골레이(Savitzky-Golay) 필터링을 통해 온디바이스에서 온라인으로 추정되며, 자동 미분 소프트웨어 없이도 완전한 해석적 그래디언트를 생성합니다. 본 연구는 동일한 동역학, 노이즈 모델, 네트워크 아키텍처 및 평가 지표를 공유하는 기존 기준선(baseline)(고정 스텝 RK4 적분, 다중 슈팅, 정확한 이산 수반 변수법, Adam)과 비교하여 솔버를 제거하는 것이 정확도를 저하시키는지 평가합니다. 단순한 도함수 매칭은 센서 노이즈 환경에서 성능이 저하되지만, 본 연구의 노이즈 적응형 메커니즘인 전비율 위상 천이 샘플링, 레저버 버퍼, 가중치(weight) 평균화를 적용한 코사인 어닐링 최적화(optimization), 온디바이스 노이즈 추정, 다항식 미스핏 품질 게이팅을 통해 이러한 격차를 해소하고 역전시킵니다. 감쇠 진자 및 혼돈 이중 진자 실험에서, 제안하는 방법은 동일한 데이터 윈도우에서 기준선 정확도와 일치하거나 이를 능가하며 모델링되지 않은 감쇠 계수를 복원합니다. 0%에서 5%까지의 노이즈 수준 전반에서, 수 메가바이트의 솔버 테이프와 비교해 108 kB의 정적 메모리 내에서 기준선의 0.65배에 해당하는 기하평균 상대 필드 오차를 달성합니다. ESP32 마이크로컨트롤러에서의 온디바이스 실행은 61.3 kB의 정적 메모리와 업데이트당 7.24 ms(25 Hz에서 18.1% 듀티 사이클) 내에서 0.0020의 필드 오차에 도달하고 감쇠 계수를 c = 0.400(실제값 0.400)으로 복원하여, 수치 솔버 없이도 실시간 온디바이스 학습이 실현 가능함을 입증합니다.

arXiv:2609.27912v1cs.LG공통 태그 regression, Time Series Analysis

글로벌 트리 예측 모델은 계층적 집계 수준에서 붕괴한다: 다섯 개 패널에 대한 실패 특성 분석

Global tree forecasters collapse at the hierarchical aggregate: a five-panel failure characterization

글로벌 예측 모델(global forecasting model)은 다수의 시계열을 풀링(pooling)하여 하나의 공유 함수를 학습한다. 그래디언트 부스팅 트리(Gradient-boosted trees)가 가장 널리 쓰이는 형태이다. 본 연구는 우리가 아는 한 아직 문서화된 적 없는 이 설계의 실패를 측정한다. 계층 구조의 개별 시계열로 글로벌 트리를 학습시킨 뒤 계층적 집계값(hierarchical aggregate)에 대한 예측을 요청하면, 집계값은 모델의 학습 범위를 크게 벗어나 있어 예측이 붕괴한다. 이 모델은 실제 운영 환경에서 총합을 30~50배 과소 예측하며, 공개 M5 재구성 데이터에서는 최대 496배까지 과소 예측한다. 그 메커니즘은 이미 알려져 있다. 트리는 학습 범위를 벗어나면 상수를 예측한다. 이것이 집계 수준에서 나타나는 이유는 총합이 모든 학습 시계열을 압도하기 때문이다. 해결책 또한 새로운 것이 아니다. Montero-Manso와 Hyndman(2021)이 권장하는 전처리 단계인 시계열별 스케일링(per-series scaling)은 붕괴를 방지한다. 가중치를 부여한 집계 수준 학습 행(weighted aggregate-level training row)과 계절 차분(seasonal differencing) 역시 마찬가지이다. 본 연구의 기여는 이 현상의 특성 분석에 있다. 붕괴는 운영 중인 기업 간 거래(B2B) 마켓플레이스, 합성 계층 구조, M5, Australian Tourism, 공개 비즈니스 구매자 패널이라는 다섯 개 패널에서 재현된다. 이는 세 가지 트리 라이브러리에서 성립하고, 학습 시드(seed)에 관계없이 일정하며, 통계적으로 유의하다. 붕괴는 즉각적으로 시작되며 단순한 지지 범위(support) 한계를 따른다. 스케일 격차가 겨우 1.15배만 되어도 이미 총합의 3분의 1을 잃는다. 표준적인 설정 변경으로는 이를 막을 수 없다. 모든 계층 수준을 학습에 풀링하는 방식은 대규모에서 실패하며, 리프(leaf)에 선형 모델을 적합하는 유일한 설정 옵션은 붕괴를 완화하지만 해소하지는 못한다. 예측을 재귀적으로 앞으로 굴리는(rolling forward) 실험은 해결책들을 구분해 준다. 집계 행 방식은 다시 붕괴하고, 시계열별 스케일링은 성능이 저하되지만 낮은 수준에 머물며, 오직 계절 차분만이 1단계(one-step) 예측 정확도를 그대로 유지한다. 마지막으로 운영 중인 시스템에서 이 실패를 진단하고 예방하기 위한 3단계 절차를 제시한다.

arXiv:2609.28286v1cs.CV공통 태그 regression, Time Series Analysis

이중 인코더 트랜스포머를 통한 위성 복사휘도 기반 행성경계층 고도 추정

PBLH Estimation from Satellite Radiances via a Dual-Encoder Transformer

위성 관측으로부터 행성경계층 고도(PBLH)를 추정하는 것은 대기 상단 복사휘도(top-of-atmosphere radiances)와 지표 부근 대기 구조 간의 간접적인 관계로 인해 까다로운 회귀 문제입니다. 위성 통과 데이터의 멀티모달 특성과 공간적 불완전성을 처리할 수 있는 아키텍처의 부재, 그리고 적절한 데이터셋의 부족으로 인해 그동안 발전이 제한적이었습니다. 본 논문에서는 이전 연구에서 소개한 MetOp 복사휘도와 ERA5 PBLH 레이블을 결합한 대규모 데이터셋을 기반으로 세 가지 기여를 제시합니다. 첫째, 픽셀 단위 회귀, 관측폭(swath) 단위 시퀀스 모델, 그리고 전체 궤도 통과 영역에서 작동하는 합성곱 및 트랜스포머 모델을 아우르는 8가지 접근법에 걸쳐 벤치마크를 구축합니다. 둘째, 입력 블록에 대한 그룹화된 샤플리 분해(grouped Shapley decomposition)를 사용하여 결과 모델이 실제로 무엇에 의존하는지 정량화합니다. 셋째, 마스킹된 입력 처리 방식을 통해 전천후 조건에서 작동할 수 있는 최적의 성능을 가진 아키텍처인 이중 인코더 트랜스포머를 제시합니다. 제안된 모델은 별도로 분리된 글로벌 테스트 세트에서 MAE = 155.8 m를 달성하여 모든 평가 하위 집합에서 모든 기준선(baseline)을 능가했습니다. TEAMx 관측 캠페인과 겹치는 이틀 동안 획득된 30개의 분포 외(out-of-distribution) 그래뉼(granule)에서도 MAE = 165.3 m를 달성하여 동일한 데이터로 학습된 픽셀 단위 기준선(MAE = 197 m)을 능가했습니다.

arXiv:2609.28434v1cs.CV공통 태그 regression, Time Series Analysis

청소년 특발성 척추측만증 진행 예측

Predicting the Progression of Adolescent Idiopathic Scoliosis

청소년 특발성 척추측만증(Adolescent Idiopathic Scoliosis)은 원인을 알 수 없이 청소년기에 발생하는 척추의 측만으로 정의된다. 이 질환은 상당한 통증과 장애를 초래할 수 있으며, 청소년기 동안 빠르게 진행되는 경우가 많다. 본 논문의 목표는 이중 X선 흡수계측(Dual X-ray Absorptiometry, DXA) 스캔 시퀀스로 측정한 9세부터 24세까지의 시간적 시퀀스에서 질환의 진행을 예측하는 것이다. 이를 위해 척추 곡선을 입력으로 받아 곡선 진행을 예측하는 트랜스포머 모델을 학습한다. 모델은 다양한 곡선 유형과 진행 패턴을 포함하는 대규모 합성 척추 곡선 및 시계열 데이터셋으로 학습된다. 여러 시점을 포함하는 실제 DXA 스캔 데이터셋에서 평가하여 합성 데이터에서 실제 데이터로 일반화할 수 있음을 보인다. 실제 데이터에 대한 미세조정이 성능을 크게 향상시킨다. 모델은 척추측만증과 정상 경우 모두에서 척추 곡선 진행을 정확하게 예측할 수 있다.

arXiv:2609.24453v1cs.AI공통 태그 regression, Time Series Analysis

식사 이미지, 임상 변수, 장내 미생물군 정보를 이용한 식후 혈당 반응 예측

Predicting Postprandial Glycemic Response from Meal Images, Clinical Variables, and Gut Microbiome Information

식후 혈당 반응(postprandial glycemic response, PPGR) 예측은 맞춤형 영양과 2형 당뇨 관리의 기본이지만, 기존 접근법은 대개 수동으로 보고된 식이 섭취에 의존하여 일상 생활 환경에서의 확장성을 제한한다. 본 연구는 수동 식이 기록을 이미지 기반 대사영양소 추정으로 대체하고, 이를 임상 변수 및 장내 미생물군 정보와 통합하여 맞춤형 PPGR 예측을 수행하는 멀티모달 프레임워크를 제안한다. 이 프레임워크는 이미지 기반 대사영양소 추정과 혈당 예측을 공동으로 수행하며, 어텐션 기반 예측 모듈이 식이 정보와 숙주 특이적 정보 간 상호작용을 모델링한다. 제안 방법을 식사 이미지, 연속 혈당 모니터링, 임상 변수, 장내 미생물군 프로필을 포함하는 실세계 데이터셋에서 평가하였다. 제안 모델은 이미지 기반 영양 입력을 사용하는 기존 PPGR 베이스라인을 능가하며, 자동 추정 영양 정보를 사용함에도 수동 보고 대사영양소에 의존하는 방법의 성능에 근접하였다. 이러한 결과는 이미지 기반 영양 정보와 보완적인 임상 및 장내 미생물군 정보를 결합하는 것이 확장 가능한 맞춤형 PPGR 예측을 위한 실용적 토대를 제공함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.