論文の概要: Improving Neural Networks for Time Series Forecasting using Data
Augmentation and AutoML
- arxiv url: http://arxiv.org/abs/2103.01992v1
- Date: Tue, 2 Mar 2021 19:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 14:46:09.738138
- Title: Improving Neural Networks for Time Series Forecasting using Data
Augmentation and AutoML
- Title（参考訳）: データ拡張とAutoMLによる時系列予測のためのニューラルネットワークの改善
- Authors: Indrajeet Y. Javeri, Mohammadhossein Toutiaee, Ismailcem B. Arpinar,
Tom W. Miller, John A. Miller
- Abstract要約: 本稿では,ニューラルネットワークの性能を大幅に向上させるデータ拡張手法を提案する。
これは、Neural Architecture Searchのような自動機械学習技術を組み合わせることで、与えられた時系列に最適なニューラルネットワークを見つけるのに役立つことを示している。
- 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: Statistical methods such as the Box-Jenkins method for time series
forecasting have been prominent since their development in 1970. Many
researchers rely on such models as they can be efficiently estimated and also
provide interpretability. However, advances in machine learning research
indicate that neural networks can be powerful data modeling techniques, as they
can give higher accuracy for a plethora of learning problems and datasets. In
the past, they have been tried on time series forecasting as well, but their
overall results have not been significantly better than the statistical models
especially for intermediate length times series data. Their modeling capacities
are limited in cases where enough data may not be available to estimate the
large number of parameters that these non-linear models require. This paper
presents an easy to implement data augmentation method to significantly improve
the performance of such networks. Our method, Augmented-Neural-Network, which
involves using forecasts from statistical models, can help unlock the power of
neural networks on intermediate length time series and produces competitive
results. It shows that data augmentation, when paired Automated Machine
Learning techniques such as Neural Architecture Search, can help to find the
best neural architecture for a given time series. Using the combination of
these, demonstrates significant enhancement for two configurations of our
technique for COVID-19 dataset, improving forecasting accuracy by 19.90% and
11.43%, respectively, over the neural networks that do not use augmented data.
- Abstract（参考訳）: 時系列予測のためのBox-Jenkins法のような統計手法は1970年に開発されて以来顕著である。
多くの研究者は、効率的に推定し、解釈可能性を提供するため、そのようなモデルに依存しています。
しかし、機械学習研究の進歩は、ニューラルネットワークが大量の学習問題やデータセットに対して高い精度を与えるため、強力なデータモデリング技術になり得ることを示している。
過去にも時系列予測も試みられてきましたが、その全体的な結果は、特に中間長時系列データでは統計モデルよりも有意に良くありませんでした。
それらのモデリング能力は、これらの非線形モデルに必要な大量のパラメータを推定するのに十分なデータが得られない場合に限られる。
本稿では,このようなネットワークの性能を向上させるためのデータ拡張手法について述べる。
本手法は, 統計的モデルからの予測を用いて, 中間時間時系列におけるニューラルネットワークのパワーを解き放ち, 競争的な結果を生み出すことができる。
これは、Neural Architecture Searchのような自動機械学習技術を組み合わせることで、与えられた時系列に最適なニューラルネットワークを見つけるのに役立つことを示している。
これらの組み合わせにより、新型コロナウイルスデータセットの2つの構成が大幅に強化され、拡張データを使用しないニューラルネットワーク上でそれぞれ19.90%と11.43%の予測精度が向上しました。
関連論文リスト
- Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳（メタデータ） (2024-02-28T08:34:23Z) - Improving age prediction: Utilizing LSTM-based dynamic forecasting for
data augmentation in multivariate time series analysis [16.91773394335563]
本稿では,Long Short-Term Memory (LSTM) ネットワークを用いた動的予測を利用したデータ拡張検証フレームワークを提案する。
これらの拡張データセットの有効性を、時系列年齢予測タスク用に設計された様々なディープラーニングモデルを用いて、元のデータと比較した。
論文 参考訳（メタデータ） (2023-12-11T22:47:26Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳（メタデータ） (2022-04-21T09:40:30Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - An Experimental Review on Deep Learning Architectures for Time Series
Forecasting [0.0]
時系列予測のための最も広範な深層学習研究を提供する。
すべての研究モデルの中で、結果は、長期短期記憶(LSTM)と畳み込みネットワーク(CNN)が最良の代替手段であることを示しています。
CNNは、異なるパラメータ設定の下で結果の変動が少なく、比較性能を達成し、効率も向上します。
論文 参考訳（メタデータ） (2021-03-22T17:58:36Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
論文 参考訳（メタデータ） (2020-10-16T08:29:36Z) - A clustering approach to time series forecasting using neural networks:
A comparative study on distance-based vs. feature-based clustering methods [1.256413718364189]
動的測定を用いて時系列データを予測するために,様々なニューラルネットワークアーキテクチャを提案する。
また,異常検出やクラスタリングなどの手法が予測精度に与える影響についても検討した。
その結果,クラスタリングは全体の予測時間を改善するとともに,ニューラルネットワークの予測性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-01-27T00:31:37Z)
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。