Fugu-MT 論文翻訳(概要): TimeGym: Debugging for Time Series Modeling in Python

論文の概要: TimeGym: Debugging for Time Series Modeling in Python

arxiv url: http://arxiv.org/abs/2105.01404v1
Date: Tue, 4 May 2021 10:36:29 GMT
ステータス: 処理完了
システム内更新日: 2021-05-05 17:35:18.733628
Title: TimeGym: Debugging for Time Series Modeling in Python
Title（参考訳）: TimeGym: Pythonの時系列モデリングのためのデバッグ
Authors: Diogo Seca
Abstract要約: TimeGym Forecasting Toolkitは、時系列予測パイプラインのテストとデバッグのためのPythonライブラリである。私たちのライブラリは、予測モデルにテスト駆動開発アプローチを適用し、指定されたオーラクルを使用してノイズで人工データを生成することができます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce the TimeGym Forecasting Debugging Toolkit, a Python library for testing and debugging time series forecasting pipelines. TimeGym simplifies the testing forecasting pipeline by providing generic tests for forecasting pipelines fresh out of the box. These tests are based on common modeling challenges of time series. Our library enables forecasters to apply a Test-Driven Development approach to forecast modeling, using specified oracles to generate artificial data with noise.
Abstract（参考訳）: 時系列予測パイプラインのテストとデバッグを行うpythonライブラリであるtimegym forecasting debugging toolkitを紹介する。 TimeGymは、最初からパイプラインを予測するための一般的なテストを提供することで、テスト予測パイプラインを単純化する。これらのテストは時系列の一般的なモデリング課題に基づいている。このライブラリにより、予測者は、特定のオラクルを使用してノイズを伴う人工データを生成する、予測モデリングにテスト駆動開発アプローチを適用することができる。

関連論文リスト

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)
FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
論文参考訳（メタデータ） (2024-02-04T08:23:41Z)
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)
Benchmark time series data sets for PyTorch -- the torchtime package [0.12891210250935145]
Pythonパッケージのtorchtimeは、一般的に使用されているPyTorch用のPhytoNetとUEA & UCR時系列分類レポジトリデータセットの再現可能な実装を提供する。 PhysioNetのデータへのアクセスを単純化し、このエキサイティングな研究領域におけるモデルの公正な比較を可能にすることを目指している。
論文参考訳（メタデータ） (2022-07-25T20:06:36Z)
Respecting Time Series Properties Makes Deep Time Series Forecasting Perfect [3.830797055092574]
時系列予測モデルにおいて、時間的特徴をどのように扱うかが重要な問題である。本稿では,3つの有意だが未確立の深層時系列予測機構を厳密に分析する。上記の分析に基づいて,新しい時系列予測ネットワーク,すなわちRTNetを提案する。
論文参考訳（メタデータ） (2022-07-22T08:34:31Z)
TSFEDL: A Python Library for Time Series Spatio-Temporal Feature Extraction and Prediction using Deep Learning (with Appendices on Detailed Network Architectures and Experimental Cases of Study) [9.445070013080601]
TSFEライブラリは、AGPLv3ライセンスの下でflow+KerasとPyTorchモジュールのセット上に構築されている。この提案に含まれるアーキテクチャのパフォーマンス検証は、このPythonパッケージの有用性を確認している。
論文参考訳（メタデータ） (2022-06-07T10:58:33Z)
Boost Test-Time Performance with Closed-Loop Inference [85.43516360332646]
そこで本研究では,モデル性能を高めるために,ループ方式でハードクラス化試験サンプルを予測することを提案する。まず、追加の推論ループを必要とするハードクラス化テストサンプルを識別するためにフィルタリング基準を考案する。各ハードサンプルに対して、モデルのキャリブレーションを行うために、元の上位$K$予測に基づいて補助学習タスクを構築する。
論文参考訳（メタデータ） (2022-03-21T10:20:21Z)
Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-01T09:52:31Z)
FlashP: An Analytical Pipeline for Real-time Forecasting of Time-Series Relational Data [31.29499654765994]
リアルタイム予測は、2つのステップで実行できます。まず、集中すべきデータの一部と、データをスライス、ダイシング、集約することで予測される測定値を指定します。自然なアイデアは、サンプリングを使用して、予測モデルを訓練するために入力としてリアルタイムに近似集計を取得することです。 GSWサンプリングと呼ばれる新しいサンプリングスキームを導入し、GSWサンプルを用いた集計を推定するための誤差境界を分析します。
論文参考訳（メタデータ） (2021-01-09T06:23:13Z)
ForecastTB An R Package as a Test-Bench for Time Series Forecasting Application of Wind Speed and Solar Radiation Modeling [2.023920009396818]
本稿では,異なる予測手法の精度を比較するために,RパッケージのForecastTBを提案する。 ForecastTBはプラグアンドプレイの構造化モジュールであり、いくつかの予測方法に単純な命令を含めることができる。
論文参考訳（メタデータ） (2020-04-04T08:52:19Z)
Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting [106.3504366501894]
自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
論文参考訳（メタデータ） (2020-03-18T17:54:28Z)

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。