論文の概要: Deep Time Series Forecasting with Shape and Temporal Criteria
- arxiv url: http://arxiv.org/abs/2104.04610v1
- Date: Fri, 9 Apr 2021 21:24:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 09:03:26.261871
- Title: Deep Time Series Forecasting with Shape and Temporal Criteria
- Title（参考訳）: 形状と時間基準を用いた深部時系列予測
- Authors: Vincent Le Guen, Nicolas Thome
- Abstract要約: 深層モデルの訓練目的に形状と時間的基準を取り入れることを提案する。
決定論的予測の新しい目的であるDILATEを導入し、正確な形状と時間変化検出をサポートする2つの用語を明示的に組み込んだ。
確率予測には、鋭く多様な予測セットを提供するフレームワークであるSTRIPE++を導入する。
- 参考スコア（独自算出の注目度）: 44.728690975126845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the problem of multi-step time series forecasting for
non-stationary signals that can present sudden changes. Current
state-of-the-art deep learning forecasting methods, often trained with variants
of the MSE, lack the ability to provide sharp predictions in deterministic and
probabilistic contexts. To handle these challenges, we propose to incorporate
shape and temporal criteria in the training objective of deep models. We define
shape and temporal similarities and dissimilarities, based on a smooth
relaxation of Dynamic Time Warping (DTW) and Temporal Distortion Index (TDI),
that enable to build differentiable loss functions and positive semi-definite
(PSD) kernels. With these tools, we introduce DILATE (DIstortion Loss including
shApe and TimE), a new objective for deterministic forecasting, that explicitly
incorporates two terms supporting precise shape and temporal change detection.
For probabilistic forecasting, we introduce STRIPE++ (Shape and Time diverRsIty
in Probabilistic forEcasting), a framework for providing a set of sharp and
diverse forecasts, where the structured shape and time diversity is enforced
with a determinantal point process (DPP) diversity loss. Extensive experiments
and ablations studies on synthetic and real-world datasets confirm the benefits
of leveraging shape and time features in time series forecasting.
- Abstract（参考訳）: 本稿では,急激な変化を生じうる非定常信号の時系列予測の課題に対処する。
現在の最先端のディープラーニング予測手法は、しばしばMSEの変種で訓練されるが、決定論的および確率論的文脈において鋭い予測を提供する能力は欠如している。
これらの課題に対処するため,深層モデルの学習目的に形状と時間的基準を取り入れることを提案する。
我々は,動的時間ゆがみ(dtw)と時間歪み指数(tdi)の円滑な緩和に基づいて,形状と時間的類似性と相似性を定義し,微分可能な損失関数と正の半定値(psd)カーネルを構築する。
これらのツールを用いて、決定論的予測の新しい目的であるDILATE (Dstortion Loss including shApe and TimE)を導入し、正確な形状と時間変化検出をサポートする2つの用語を明示的に組み込んだ。
確率予測にはstripe++ (shape and time diverrsity in probabilistic forecasting) を導入する。これは、構造化された形状と時間の多様性を行列点プロセス(dpp)の多様性損失で強制する、鋭く多様な予測を提供するためのフレームワークである。
合成データと実世界のデータセットに関する広範な実験とアブレーションは、時系列予測における形状と時間の特徴を活用する利点を確認する。
関連論文リスト
- Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳（メタデータ） (2023-06-09T13:20:04Z) - 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) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - 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) - Probabilistic Time Series Forecasting with Structured Shape and Temporal
Diversity [35.56938057804765]
形状と時間的特徴に基づく構造的多様性を表現するためのSTRIPEモデルを提案する。
STRIPEは、最高のサンプル予測において最先端の確率予測手法より優れている。
論文 参考訳（メタデータ） (2020-10-14T18:31:43Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。