Fugu-MT 論文翻訳(概要): Selecting Data Adaptive Learner from Multiple Deep Learners using Bayesian Networks

論文の概要: Selecting Data Adaptive Learner from Multiple Deep Learners using Bayesian Networks

arxiv url: http://arxiv.org/abs/2008.07709v1
Date: Tue, 18 Aug 2020 02:48:43 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 20:37:27.030584
Title: Selecting Data Adaptive Learner from Multiple Deep Learners using Bayesian Networks
Title（参考訳）: ベイジアンネットワークを用いた深層学習者からデータ適応学習者を選択する
Authors: Shusuke Kobayashi, Susumu Shirayama
Abstract要約: 複数の深層学習者とベイズネットワークを用いた時系列予測手法を提案する。提案手法は金融時系列データに適用され,日経225指数の予測結果が示された。
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: A method to predict time-series using multiple deep learners and a Bayesian network is proposed. In this study, the input explanatory variables are Bayesian network nodes that are associated with learners. Training data are divided using K-means clustering, and multiple deep learners are trained depending on the cluster. A Bayesian network is used to determine which deep learner is in charge of predicting a time-series. We determine a threshold value and select learners with a posterior probability equal to or greater than the threshold value, which could facilitate more robust prediction. The proposed method is applied to financial time-series data, and the predicted results for the Nikkei 225 index are demonstrated.
Abstract（参考訳）: 複数の深層学習者とベイズネットワークを用いた時系列予測手法を提案する。本研究では,入力説明変数は,学習者と関連づけられたベイズネットワークノードである。トレーニングデータをk-meansクラスタリングで分割し、クラスタに応じて複数のディープラーニングをトレーニングする。ベイズネットワークは、どの深層学習者が時系列を予測するかを決定するために使用される。しきい値を決定し,しきい値と同等以上の確率で学習者を選択することで,より堅牢な予測が可能となる。提案手法は金融時系列データに適用され,日経225指数の予測結果が示された。

関連論文リスト

RandomNet: Clustering Time Series Using Untrained Deep Neural Networks [1.5860429142045245]
我々は、訓練されていないディープニューラルネットワークをクラスタ時系列に利用する新しいアプローチRandomNetを提案する。我々は、よく知られたUCR時系列アーカイブにおいて、128のデータセット全てについて広範な実験を行う。実験の結果,提案手法は既存の最先端手法と競合することがわかった。
論文参考訳（メタデータ） (2024-08-15T06:09:19Z)
Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文参考訳（メタデータ） (2023-10-31T03:16:32Z)
Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文参考訳（メタデータ） (2023-03-21T15:02:50Z)
Layer Ensembles [95.42181254494287]
本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。その結果,メモリと実行時間が少なくなるモデルが得られた。
論文参考訳（メタデータ） (2022-10-10T17:52:47Z)
Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文参考訳（メタデータ） (2021-12-20T13:07:39Z)
PatchX: Explaining Deep Models by Intelligible Pattern Patches for Time-series Classification [6.820831423843006]
我々は、ディープニューラルネットワークと従来の機械学習アルゴリズムを利用する新しいハイブリッドアプローチを提案する。提案手法はまずパッチのきめ細かい分類を行い,次にサンプルレベルの分類を行う。
論文参考訳（メタデータ） (2021-02-11T10:08:09Z)
Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文参考訳（メタデータ） (2020-10-23T11:18:20Z)
Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
論文参考訳（メタデータ） (2020-09-30T03:40:07Z)
Time Series Forecasting With Deep Learning: A Survey [5.351996099005896]
我々は,1ステップアヘッドとマルチホライゾン時系列予測の両方で使用される共通エンコーダとデコーダの設計を調査した。我々は、よく研究された統計モデルとニューラルネットワークコンポーネントを組み合わせたハイブリッドディープラーニングモデルの最近の発展に注目した。
論文参考訳（メタデータ） (2020-04-28T10:32:26Z)
Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting [12.0855096102517]
金融時系列予測のための表現学習フレームワークを提案する。本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
論文参考訳（メタデータ） (2020-02-18T15:24:33Z)

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。