Fugu-MT 論文翻訳(概要): A fast noise filtering algorithm for time series prediction using recurrent neural networks

論文の概要: A fast noise filtering algorithm for time series prediction using recurrent neural networks

arxiv url: http://arxiv.org/abs/2007.08063v3
Date: Tue, 6 Oct 2020 14:53:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 22:39:49.158782
Title: A fast noise filtering algorithm for time series prediction using recurrent neural networks
Title（参考訳）: リカレントニューラルネットワークを用いた時系列予測のための高速雑音フィルタリングアルゴリズム
Authors: Boris Rubinstein
Abstract要約: 本稿では,RNNの内部力学を考察し,そのような動作に必要な条件のセットを確立する。そこで我々は,新しい近似アルゴリズムを提案し,精度を損なうことなく予測プロセスを著しく高速化することを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent research demonstrate that prediction of time series by recurrent neural networks (RNNs) based on the noisy input generates a smooth anticipated trajectory. We examine the internal dynamics of RNNs and establish a set of conditions required for such behavior. Based on this analysis we propose a new approximate algorithm and show that it significantly speeds up the predictive process without loss of accuracy.
Abstract（参考訳）: 近年の研究では、ノイズ入力に基づくリカレントニューラルネットワーク(RNN)による時系列予測が、スムーズな予測軌道を生成することが示されている。本稿では,RNNの内部力学を考察し,そのような動作に必要な条件のセットを確立する。この解析に基づいて,新しい近似アルゴリズムを提案し,精度を損なうことなく予測プロセスを著しく高速化することを示す。

関連論文リスト

How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
It's a super deal -- train recurrent network on noisy data and get smooth prediction free [0.0]
トレーニングデータセットと入力シーケンスの両方におけるノイズ成分がネットワーク予測品質に及ぼす影響について検討する。予測過程において観測された雑音の圧縮に関する説明を提案し,議論する。
論文参考訳（メタデータ） (2022-06-09T01:43:25Z)
Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-06T13:18:31Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Short-term traffic prediction using physics-aware neural networks [0.0]
道路上の車両のフラックスの短期予測を行うアルゴリズムを提案する。このアルゴリズムは物理を意識したリカレントニューラルネットワークに基づいている。
論文参考訳（メタデータ） (2021-09-21T15:31:33Z)
Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文参考訳（メタデータ） (2021-07-08T10:37:24Z)
Reliable and Fast Recurrent Neural Network Architecture Optimization [7.287830861862003]
本稿では、リカレントニューラルネットワークアーキテクチャを最適化する新しい自動手法であるRandom Error Smpling-based Neuroevolution(RESN)を紹介する。その結果,RESNは計算時間を半分減らしながら,最先端のエラー性能を実現することがわかった。
論文参考訳（メタデータ） (2021-06-29T12:16:19Z)
AIN: Fast and Accurate Sequence Labeling with Approximate Inference Network [75.44925576268052]
線形鎖条件ランダム場(CRF)モデルは最も広く使われているニューラルネットワークラベリング手法の1つである。厳密な確率的推論アルゴリズムは典型的にはCRFモデルの訓練と予測段階に適用される。 CRFモデルに対して並列化可能な近似変分推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-17T12:18:43Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Error-feedback stochastic modeling strategy for time series forecasting with convolutional neural networks [11.162185201961174]
本稿では,ランダム畳み込みネットワーク(ESM-CNN)ニューラル時系列予測タスクを構築するための新しいError-feedback Modeling (ESM)戦略を提案する。提案したESM-CNNは、最先端のランダムニューラルネットワークを上回るだけでなく、トレーニングされた最先端のディープニューラルネットワークモデルと比較して、予測能力と計算オーバーヘッドの低減も実現している。
論文参考訳（メタデータ） (2020-02-03T13:30:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。