論文の概要: Time series forecasting with Gaussian Processes needs priors

• arxiv url: http://arxiv.org/abs/2009.08102v2
• Date: Mon, 21 Jun 2021 10:10:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 08:36:48.760288
• Title: Time series forecasting with Gaussian Processes needs priors
• Title（参考訳）: ガウス過程を前提とした時系列予測
• Authors: Giorgio Corani, Alessio Benavoli, Marco Zaffalon
• Abstract要約: 本稿では,ハイパーパラメータの最適カーネルと信頼性の高い推定法を提案する。 GPモデルは最先端の時系列モデルよりも精度が高い。
• 参考スコア（独自算出の注目度）: 1.5877673959068452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic forecasting is the task of receiving a time series and returning a forecast for the next time steps without any human intervention. Gaussian Processes (GPs) are a powerful tool for modeling time series, but so far there are no competitive approaches for automatic forecasting based on GPs. We propose practical solutions to two problems: automatic selection of the optimal kernel and reliable estimation of the hyperparameters. We propose a fixed composition of kernels, which contains the components needed to model most time series: linear trend, periodic patterns, and other flexible kernel for modeling the non-linear trend. Not all components are necessary to model each time series; during training the unnecessary components are automatically made irrelevant via automatic relevance determination (ARD). We moreover assign priors to the hyperparameters, in order to keep the inference within a plausible range; we design such priors through an empirical Bayes approach. We present results on many time series of different types; our GP model is more accurate than state-of-the-art time series models. Thanks to the priors, a single restart is enough the estimate the hyperparameters; hence the model is also fast to train.
• Abstract（参考訳）: 自動予測(automatic forecasting)は、時系列を受信し、人間の介入なしに次のステップの予測を返すタスクである。 ガウス過程(GP)は時系列をモデル化するための強力なツールであるが、今のところGPに基づく自動予測のための競合的なアプローチはない。 最適カーネルの自動選択とハイパーパラメータの信頼性評価という2つの問題に対する実用的な解法を提案する。 線形トレンド,周期パターン,および非線形トレンドをモデル化するフレキシブルカーネルといった時系列のモデル化に必要なコンポーネントを含む,カーネルの固定構成を提案する。 すべてのコンポーネントが時系列ごとにモデル化されるわけではない。トレーニング中、不要なコンポーネントは自動関連付け決定(ard)によって自動的に無関係にされる。 我々はさらに、推定を可算範囲内に維持するために、事前をハイパーパラメータに割り当てる; 経験的ベイズアプローチにより、そのような事前を設計する。 GPモデルは最先端の時系列モデルよりも精度が高い。 事前設定のおかげで、1回の再起動でハイパーパラメータの推定が十分になるため、モデルも高速にトレーニングできる。

関連論文リスト

• auto-sktime: Automated Time Series Forecasting [18.640815949661903]
  本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。 提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2023-12-13T21:34:30Z)
• Generalized Mixture Model for Extreme Events Forecasting in Time Series Data [10.542258423966492]
  時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。 時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。 本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:36:42Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Model-based micro-data reinforcement learning: what are the crucial model properties and which model to choose? [0.2836066255205732]
  我々は,マイクロデータモデルに基づく強化学習(MBRL)に寄与する。 マルチモーダルな後続予測を必要とする環境では、混合密度ネットは他のモデルよりも大きなマージンで優れていることがわかった。 また、決定論的モデルは同等であり、実際、確率論的モデルよりも一貫して(非目立ったことではないが)優れていることも見出した。
  論文  参考訳（メタデータ） (2021-07-24T11:38:25Z)
• Randomized Neural Networks for Forecasting Time Series with Multiple Seasonality [0.0]
  この研究は、新しいランダム化に基づく学習手法を用いたニューラル予測モデルの開発に寄与する。 時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに有用である。
  論文  参考訳（メタデータ） (2021-07-04T18:39:27Z)
• Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting [68.86835407617778]
  Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。 長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
  論文  参考訳（メタデータ） (2021-06-24T13:43:43Z)
• ScoreGrad: Multivariate Probabilistic Time Series Forecasting with Continuous Energy-based Generative Models [10.337742174633052]
  本研究では,連続エネルギーモデルに基づく確率的時系列予測フレームワークであるScoreGradを提案する。 ScoreGradは時系列特徴抽出モジュールと条件微分方程式に基づくスコアマッチングモジュールで構成される。 6つの実世界のデータセットで最先端の結果が得られます。
  論文  参考訳（メタデータ） (2021-06-18T13:22:12Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
  カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。 モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
  論文  参考訳（メタデータ） (2020-02-28T21:52:49Z)

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。