論文の概要: Learning Time Series from Scale Information

• arxiv url: http://arxiv.org/abs/2103.10026v1
• Date: Thu, 18 Mar 2021 05:33:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 13:50:36.810818
• Title: Learning Time Series from Scale Information
• Title（参考訳）: スケール情報からの時系列学習
• Authors: Yuan Yang and Jie Ding
• Abstract要約: 本稿では,スケールベース推論と呼ばれる新しい概念を提案する。 まず1つの時系列に最適に選ばれた$k$-nearest近傍に基づくノンパラメトリック予測器を提案する。 次に,過去のデータを様々な解像度で逐次予測するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 12.508205923596384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequentially obtained dataset usually exhibits different behavior at different data resolutions/scales. Instead of inferring from data at each scale individually, it is often more informative to interpret the data as an ensemble of time series from different scales. This naturally motivated us to propose a new concept referred to as the scale-based inference. The basic idea is that more accurate prediction can be made by exploiting scale information of a time series. We first propose a nonparametric predictor based on $k$-nearest neighbors with an optimally chosen $k$ for a single time series. Based on that, we focus on a specific but important type of scale information, the resolution/sampling rate of time series data. We then propose an algorithm to sequentially predict time series using past data at various resolutions. We prove that asymptotically the algorithm produces the mean prediction error that is no larger than the best possible algorithm at any single resolution, under some optimally chosen parameters. Finally, we establish the general formulations for scale inference, and provide further motivating examples. Experiments on both synthetic and real data illustrate the potential applicability of our approaches to a wide range of time series models.
• Abstract（参考訳）: 得られたデータセットは通常、異なるデータ解像度/スケールで異なる振る舞いを示す。 各スケールのデータから個別に推測するのではなく、異なるスケールの時系列の集合としてデータを解釈することがより有益な場合が多い。 これは自然にスケールベース推論と呼ばれる新しい概念を提案する動機となった。 基本的な考え方は、時系列のスケール情報を利用してより正確な予測ができるということである。 まず1つの時系列に最適に選ばれた$k$-nearest近傍に基づくノンパラメトリック予測器を提案する。 そこで本研究では,時系列データの解像度・サンプリング率という,特定のが重要なスケール情報に焦点をあてる。 次に,過去のデータを様々な解像度で逐次予測するアルゴリズムを提案する。 漸近的にアルゴリズムは、最適に選択されたパラメータの下で、任意の単一の解像度で最良のアルゴリズムよりも大きい平均予測誤差を生じることを証明している。 最後に、スケール推論の一般的な定式化を確立し、さらなるモチベーションの例を示す。 合成データと実データの両方の実験は、幅広い時系列モデルに対する我々のアプローチの適用可能性を示している。

関連論文リスト

• Time Series Data Augmentation as an Imbalanced Learning Problem [2.5536554335016417]
  我々は、オーバーサンプリング戦略を用いて、合成時系列観測を作成し、予測モデルの精度を向上させる。 5502個の単変量時系列を含む7種類のデータベースを用いて実験を行った。 提案手法は,グローバルモデルとローカルモデルの両方で優れており,この2つのアプローチのトレードオフが良好であることがわかった。
  論文  参考訳（メタデータ） (2024-04-29T09:27:15Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Sketching Multidimensional Time Series for Fast Discord Mining [37.342885653387604]
  多次元時系列間の不協和音マイニングのためのスケッチを提案する。 提案アルゴリズムはスループットを少なくとも1桁(50X)改善し、近似された解の品質に最小限の影響しか与えない。
  論文  参考訳（メタデータ） (2023-11-05T04:17:34Z)
• 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)
• NuTime: Numerically Multi-Scaled Embedding for Large-Scale Time-Series Pretraining [28.595342663018627]
  時系列データの数値特性に合わせた重要な技術的貢献を行う。 入力をオーバーラップしないウィンドウに分割することでTransformerアーキテクチャを採用する。 任意の数値振幅を持つスカラー値を高次元空間に埋め込むために,数値的に多スケールな埋め込みモジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-11T11:38:18Z)
• 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)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• 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。

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。