論文の概要: A study on Ensemble Learning for Time Series Forecasting and the need for Meta-Learning

• arxiv url: http://arxiv.org/abs/2104.11475v1
• Date: Fri, 23 Apr 2021 08:44:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 13:02:05.315819
• Title: A study on Ensemble Learning for Time Series Forecasting and the need for Meta-Learning
• Title（参考訳）: 時系列予測のためのアンサンブル学習とメタ学習の必要性に関する研究
• Authors: Julia Gastinger, S\'ebastien Nicolas, Du\v{s}ica Stepi\'c, Mischa Schmidt, Anett Sch\"ulke
• Abstract要約: ベースモデルからの予測を組み合わせた時系列予測のためのアンサンブル手法の集合について紹介する。 我々は,約16000のデータセットに対して,アンサンブル学習による予測能力に関する知見を示し,実験結果を示した。
• 参考スコア（独自算出の注目度）: 0.9449650062296822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The contribution of this work is twofold: (1) We introduce a collection of ensemble methods for time series forecasting to combine predictions from base models. We demonstrate insights on the power of ensemble learning for forecasting, showing experiment results on about 16000 openly available datasets, from M4, M5, M3 competitions, as well as FRED (Federal Reserve Economic Data) datasets. Whereas experiments show that ensembles provide a benefit on forecasting results, there is no clear winning ensemble strategy (plus hyperparameter configuration). Thus, in addition, (2), we propose a meta-learning step to choose, for each dataset, the most appropriate ensemble method and their hyperparameter configuration to run based on dataset meta-features.
• Abstract（参考訳）: 本研究の貢献は,(1)時系列予測のためのアンサンブル手法の集合を導入し,ベースモデルからの予測を組み合わせることである。 本研究では,m4,m5,m3,fred(federal reserve economic data)データセットから約16,000のオープンデータセットに対して,予測のためのアンサンブル学習の能力に関する洞察を示す。 実験では、アンサンブルが予測結果に利益をもたらすことが示されているが、明確なアンサンブル戦略(ハイパーパラメータ構成以外の)は存在しない。 そこで,(2)では,データセット毎に,最も適切なアンサンブル手法と,データセットのメタ機能に基づいて実行するハイパーパラメータ設定を選択するメタ学習ステップを提案する。

関連論文リスト

• Experiment Planning with Function Approximation [49.50254688629728]
  本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。 本稿では,関数近似に適合する2つの実験計画戦略を提案する。 そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T14:40:23Z)
• Infinite forecast combinations based on Dirichlet process [9.326879672480413]
  本稿では,ディリクレ過程に基づく深層学習アンサンブル予測モデルを提案する。 単一のベンチマークモデルに比べて予測精度と安定性が大幅に向上している。
  論文  参考訳（メタデータ） (2023-11-21T06:41:41Z)
• Forecasting Early with Meta Learning [4.750521042508541]
  本稿では,追加データセットからのサンプルを活用するメタ学習手法を考案し,対象データセットの補助タスクとして,逆学習を通じて時系列を拡大する学習を行う。 我々のモデル(FEML)は、異なるデータセットから異なる長さ入力の特徴を学習する共有畳み込みバックボーンを備えており、異なる出力長を予測するためのデータセット固有のヘッドを備えている。
  論文  参考訳（メタデータ） (2023-07-19T07:30:01Z)
• Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
  本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。 本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。 得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
  論文  参考訳（メタデータ） (2023-06-06T16:15:26Z)
• DataComp: In search of the next generation of multimodal datasets [179.79323076587255]
  DataCompは、Common Crawlの128億の画像テキストペアの候補プールを中心にしたデータセット実験用のテストベッドである。 我々のベンチマークは、複数の計算スケールから成っている。 特に、最良のベースラインであるDataComp-1Bは、ImageNetでCLIP ViT-L/14をスクラッチから79.2%のゼロショット精度でトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2023-04-27T11:37:18Z)
• Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
  本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。 我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。 我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-09-30T15:01:35Z)
• Evaluating State of the Art, Forecasting Ensembles- and Meta-learning Strategies for Model Fusion [0.0]
  本稿では,異なるアンサンブルに対するベースモデルのプール内での指数平滑化リカレントニューラルネットワーク(ES-RNN)の有用性について述べる。
  論文  参考訳（メタデータ） (2022-03-07T10:51:40Z)
• IDEA: Interpretable Dynamic Ensemble Architecture for Time Series Prediction [11.398865093869881]
  本稿では,解釈可能なベース学習者が群としての疎コミュニケーションと独立して予測を行うための,解釈可能な動的アンサンブルアーキテクチャ(IDEA)を提案する。 予測精度はTOURISMデータセットで最高の統計ベンチマークで2.6%向上し、M4データセットで最高のディープラーニングベンチマークで2%向上した。
  論文  参考訳（メタデータ） (2022-01-14T08:24:44Z)
• 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)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Two-Step Meta-Learning for Time-Series Forecasting Ensemble [1.1278903078792915]
  いくつかのメソッドのアンサンブルを使用した予測は、しばしば妥協と見なされる。 メタラーニングを用いてこれらの側面を適応的に予測することを提案する。 提案手法は12561マイクロ・エコノミック・タイムシリーズで試験された。
  論文  参考訳（メタデータ） (2020-11-20T18:35:02Z)

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。