論文の概要: RECOWNs: Probabilistic Circuits for Trustworthy Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2106.04148v1
• Date: Tue, 8 Jun 2021 07:32:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 16:16:38.211363
• Title: RECOWNs: Probabilistic Circuits for Trustworthy Time Series Forecasting
• Title（参考訳）: RECOWNs:信頼できる時系列予測のための確率的回路
• Authors: Nils Thoma, Zhongjie Yu, Fabrizio Ventola, Kristian Kersting
• Abstract要約: リカレントニューラルネットワーク(Recurrent Neural Networks, RNN)は、時系列予測のモデルである。 WSPNは、時系列のための顕著な深絞り確率回路(PC)であり、不確実性対策として有意義な確率を提供するRNNを支援することができる。 本稿では,RNNを用いた新しいアーキテクチャであるRECOWNと,条件付きWSPN(CWSPN)と呼ばれるWSPNの識別型を提案する。
• 参考スコア（独自算出の注目度）: 14.65383490077168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is a relevant task that is performed in several real-world scenarios such as product sales analysis and prediction of energy demand. Given their accuracy performance, currently, Recurrent Neural Networks (RNNs) are the models of choice for this task. Despite their success in time series forecasting, less attention has been paid to make the RNNs trustworthy. For example, RNNs can not naturally provide an uncertainty measure to their predictions. This could be extremely useful in practice in several cases e.g. to detect when a prediction might be completely wrong due to an unusual pattern in the time series. Whittle Sum-Product Networks (WSPNs), prominent deep tractable probabilistic circuits (PCs) for time series, can assist an RNN with providing meaningful probabilities as uncertainty measure. With this aim, we propose RECOWN, a novel architecture that employs RNNs and a discriminant variant of WSPNs called Conditional WSPNs (CWSPNs). We also formulate a Log-Likelihood Ratio Score as better estimation of uncertainty that is tailored to time series and Whittle likelihoods. In our experiments, we show that RECOWNs are accurate and trustworthy time series predictors, able to "know when they do not know".
• Abstract（参考訳）: 時系列予測は、製品販売分析やエネルギー需要予測など、いくつかの現実シナリオで実施される関連するタスクである。 現在、その正確性を考えると、リカレントニューラルネットワーク(RNN)がこのタスクに最適なモデルである。 時系列予測の成功にもかかわらず、RNNを信頼できるものにするために注意が払われていない。 例えば、RNNは自然に予測に不確実性を提供することはできない。 これは実際にいくつかのケースで非常に有用である。 時系列に異常なパターンがあるため、予測が完全に間違っている場合を検出する。 WSPN(Whittle Sum-Product Networks, WSPN)は、時系列の深絞り可能な確率回路(PC)であり、不確実性対策として有意義な確率を提供するRNNを支援する。 本稿では,RNNを用いた新しいアーキテクチャであるRECOWNと,条件付きWSPN(Conditional WSPNs)と呼ばれるWSPNの識別版を提案する。 また,時系列やホイットル確率に合わせた不確実性の推定法として,log-likelihood ratioスコアを定式化した。 実験では,RECOWNは正確で信頼性の高い時系列予測器であり,「知らないときを知る」ことができることを示した。

関連論文リスト

• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Early-Exit Neural Networks with Nested Prediction Sets [26.618810100134862]
  アーリーエグジットニューラルネットワーク(EENN)は、フォワードパス中に複数のステージで予測を提供することで、適応的で効率的な推論を可能にする。 共形予測や信頼できる集合といった標準的なベイズ的手法はEENNには適さない。 時効性信頼シーケンス(AVCS)について検討する。 これらのシーケンスは本質的にネストされており、EENNのシーケンシャルな予測に適している。
  論文  参考訳（メタデータ） (2023-11-10T08:38:18Z)
• Random-Set Neural Networks (RS-NN) [4.549947259731147]
  分類のための新しいランダムセットニューラルネットワーク(RS-NN)を提案する。 RS-NNは、一組のクラス上の確率ベクトルよりも信念関数を予測する。 限られたトレーニングセットによって、機械学習で引き起こされる「緊急」不確実性を符号化する。
  論文  参考訳（メタデータ） (2023-07-11T20:00:35Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• 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)
• An Infinite-Feature Extension for Bayesian ReLU Nets That Fixes Their Asymptotic Overconfidence [65.24701908364383]
  ベイズ処理は、トレーニングデータを取り巻くReLUネットの過信を軽減することができる。 しかし、彼らから遠く離れたところでは、ReLUニューラルネットワーク(BNN)はいまだに不確実性を過小評価し過ぎている可能性がある。 事前学習した任意のReLU BNNに対して,低コストでemphpost-hocを適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-06T13:32:18Z)
• Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices [0.0]
  本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。 1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。 第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
  論文  参考訳（メタデータ） (2020-10-05T08:02:29Z)
• Frequentist Uncertainty in Recurrent Neural Networks via Blockwise Influence Functions [121.10450359856242]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。 RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。 a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
  論文  参考訳（メタデータ） (2020-06-20T22:45:32Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)
• Zero-shot and few-shot time series forecasting with ordinal regression recurrent neural networks [17.844338213026976]
  リカレントニューラルネットワーク(RNN)は、いくつかのシーケンシャルな学習タスクにおいて最先端である。 本稿では,多くの量子化された時系列の空間上に埋め込まれた共有特徴を学習することにより,この問題に直接対処する新しいRNNモデルを提案する。 これにより、トレーニングデータが少ない場合であっても、RNNフレームワークが不適切な時系列を正確かつ確実に予測できることを示す。
  論文  参考訳（メタデータ） (2020-03-26T21:33:10Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。