Fugu-MT 論文翻訳(概要): Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting

論文の概要: Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting

arxiv url: http://arxiv.org/abs/2009.05135v1
Date: Thu, 10 Sep 2020 20:15:59 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 03:02:34.706883
Title: Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting
Title（参考訳）: ディープスイッチング自己回帰因子化:時系列予測への応用
Authors: Amirreza Farnoosh, Bahar Azari, Sarah Ostadabbas
Abstract要約: DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。 DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
参考スコア（独自算出の注目度）: 16.934920617960085
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce deep switching auto-regressive factorization (DSARF), a deep generative model for spatio-temporal data with the capability to unravel recurring patterns in the data and perform robust short- and long-term predictions. Similar to other factor analysis methods, DSARF approximates high dimensional data by a product between time dependent weights and spatially dependent factors. These weights and factors are in turn represented in terms of lower dimensional latent variables that are inferred using stochastic variational inference. DSARF is different from the state-of-the-art techniques in that it parameterizes the weights in terms of a deep switching vector auto-regressive likelihood governed with a Markovian prior, which is able to capture the non-linear inter-dependencies among weights to characterize multimodal temporal dynamics. This results in a flexible hierarchical deep generative factor analysis model that can be extended to (i) provide a collection of potentially interpretable states abstracted from the process dynamics, and (ii) perform short- and long-term vector time series prediction in a complex multi-relational setting. Our extensive experiments, which include simulated data and real data from a wide range of applications such as climate change, weather forecasting, traffic, infectious disease spread and nonlinear physical systems attest the superior performance of DSARF in terms of long- and short-term prediction error, when compared with the state-of-the-art methods.
Abstract（参考訳）: 本稿では,データ内の繰り返しパターンを解き放つ能力を持つ時空間データのための深部生成モデルであるdsarf(deep switching auto-regressive factorization)を導入し,ロバストな短期・長期予測を行う。他の因子分析法と同様に、DSARFは時間依存重みと空間依存因子の間の積による高次元データを近似する。これらの重みと因子は、確率的変動推論を用いて推定される低次元潜在変数の言葉で表される。 DSARFは、重み間の非直線的相互依存性を捉えることができ、重みの時間的ダイナミクスを特徴づけることができる、マルコフ事前で支配される深い切替ベクトル自己回帰可能性の観点から重みをパラメータ化する、最先端技術とは異なる。これにより、拡張可能な柔軟な階層的深層生成因子分析モデルが実現される。 i)プロセスダイナミクスから抽象化された潜在的な解釈可能な状態のコレクションを提供し、 (ii)複雑なマルチリレーショナル設定において、短期および長期のベクトル時系列予測を行う。気候変動,天気予報,交通,伝染病の拡散,非線形物理システムなど,幅広い応用のシミュレーションデータや実データを含む広範な実験は,最先端の手法と比較して,長期・短期の予測誤差の観点から,DSARFの優れた性能を証明している。

関連論文リスト

PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-18T05:35:01Z)
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文参考訳（メタデータ） (2024-01-22T13:15:40Z)
Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
論文参考訳（メタデータ） (2023-03-18T14:37:37Z)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
論文参考訳（メタデータ） (2021-04-09T14:30:35Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
Deep Markov Spatio-Temporal Factorization [16.125473644303852]
Deep Markov-temporal factorization (DMSTF) はデータの動的解析のための生成モデルである。 DMSTFは、空間因子またはそれらの機能形式を生成的にパラメータ化するために、低次元空間潜時を学習する。時系列クラスタリングや制御信号における因子分析を行うために拡張可能な生成因子分析モデルの柔軟なファミリーでの結果が得られた。
論文参考訳（メタデータ） (2020-03-22T01:27:44Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)
Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
時系列予測は科学的・工学的な問題の基本である。深層学習法はこの問題に適している。多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
論文参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。