論文の概要: Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future
- arxiv url: http://arxiv.org/abs/2106.04420v1
- Date: Tue, 8 Jun 2021 14:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 22:07:38.165151
- Title: Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future
- Title(参考訳): back2future: リアルタイム予測を改善するためにbackfill dynamicsを活用する
- Authors: Harshavardhan Kamarthi, Alexander Rodr\'iguez, B. Aditya Prakash
- Abstract要約: 公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
- 参考スコア(独自算出の注目度): 73.03458424369657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In real-time forecasting in public health, data collection is a non-trivial
and demanding task. Often after initially released, it undergoes several
revisions later (maybe due to human or technical constraints) - as a result, it
may take weeks until the data reaches to a stable value. This so-called
'backfill' phenomenon and its effect on model performance has been barely
studied in the prior literature. In this paper, we introduce the multi-variate
backfill problem using COVID-19 as the motivating example. We construct a
detailed dataset composed of relevant signals over the past year of the
pandemic. We then systematically characterize several patterns in backfill
dynamics and leverage our observations for formulating a novel problem and
neural framework Back2Future that aims to refines a given model's predictions
in real-time. Our extensive experiments demonstrate that our method refines the
performance of top models for COVID-19 forecasting, in contrast to non-trivial
baselines, yielding 18% improvement over baselines, enabling us obtain a new
SOTA performance. In addition, we show that our model improves model evaluation
too; hence policy-makers can better understand the true accuracy of forecasting
models in real-time.
- Abstract(参考訳): 公衆衛生のリアルタイム予測では、データ収集は自明で要求の厳しいタスクである。
多くの場合、最初のリリース後、いくつかのリビジョン(人的または技術的な制約のためかもしれない)が行われ、結果としてデータが安定した値に達するまで数週間かかる可能性がある。
このいわゆる「バックフィル」現象とそのモデル性能への影響は、以前の文献ではほとんど研究されていない。
本稿では,COVID-19をモチベーションの例として用いた多変量バックフィル問題を紹介する。
パンデミックの過去1年間に関連する信号からなる詳細なデータセットを構築した。
次に、バックフィルダイナミクスのいくつかのパターンを体系的に特徴付け、新しい問題とニューラルネットワークのフレームワークであるBack2Futureを定式化し、与えられたモデルの予測をリアルタイムで洗練することを目的とする。
提案手法は,非自明なベースラインとは対照的に,最上位モデルの性能を改良し,ベースラインよりも18%向上し,新たなSOTA性能が得られることを示した。
さらに,本モデルではモデル評価の精度も向上し,政策立案者がリアルタイムに予測モデルの真の精度をよりよく理解できることを示す。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Prediction of rare events in the operation of household equipment using
co-evolving time series [1.1249583407496218]
我々のアプローチは、データの時間的挙動を利用して予測能力を向上する重み付き自己回帰モデルである。
合成および実世界のデータセットの評価は、我々の手法が家庭機器の故障予測手法よりも優れていることを裏付けている。
論文 参考訳(メタデータ) (2023-12-15T00:21:00Z) - Lag-Llama: Towards Foundation Models for Probabilistic Time Series
Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。
Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。
このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-12T12:29:32Z) - Online learning techniques for prediction of temporal tabular datasets
with regime changes [0.0]
時間パネルデータセットの予測をランキングするモジュール型機械学習パイプラインを提案する。
パイプラインのモジュラリティにより、GBDT(Gradient Boosting Decision Tree)やニューラルネットワークなど、さまざまなモデルの使用が可能になる。
モデルの再トレーニングを必要としないオンライン学習技術は、予測後の結果を高めるために使用することができる。
論文 参考訳(メタデータ) (2022-12-30T17:19:00Z) - Evaluation of Time-Series Forecasting Models for Chickenpox Cases
Estimation in Hungary [0.0]
我々は時系列予測技術を用いて,ニワトリの今後の発生をモデル化し,予測する。
ハンガリーが収集したデータセット上で,複数のモデルとデータ前処理技術を実装し,シミュレーションする。
論文 参考訳(メタデータ) (2022-09-28T14:27:07Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳(メタデータ) (2021-08-19T14:44:46Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳(メタデータ) (2021-06-01T22:33:53Z)
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。