Fugu-MT 論文翻訳(概要): Probabilistic Time Series Forecasting with Implicit Quantile Networks

論文の概要: Probabilistic Time Series Forecasting with Implicit Quantile Networks

arxiv url: http://arxiv.org/abs/2107.03743v1
Date: Thu, 8 Jul 2021 10:37:24 GMT
ステータス: 処理完了
システム内更新日: 2021-07-09 17:51:56.872149
Title: Probabilistic Time Series Forecasting with Implicit Quantile Networks
Title（参考訳）: 暗黙の質的ネットワークを用いた確率的時系列予測
Authors: Ad\`ele Gouttes, Kashif Rasul, Mateusz Koren, Johannes Stephan, Tofigh Naghibi
Abstract要約: 自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
参考スコア（独自算出の注目度）: 0.7249731529275341
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Here, we propose a general method for probabilistic time series forecasting. We combine an autoregressive recurrent neural network to model temporal dynamics with Implicit Quantile Networks to learn a large class of distributions over a time-series target. When compared to other probabilistic neural forecasting models on real- and simulated data, our approach is favorable in terms of point-wise prediction accuracy as well as on estimating the underlying temporal distribution.
Abstract（参考訳）: 本稿では,確率時系列予測の一般的な方法を提案する。自己回帰型リカレントニューラルネットワークを,時間的ダイナミクスと暗黙の質的ネットワークのモデル化に組み合わせることで,時系列ターゲット上での大規模分布を学習する。実データおよびシミュレーションデータ上の他の確率的ニューラル予測モデルと比較した場合,本手法は時間分布の推定だけでなく,ポイントワイズ予測精度の観点からも好ましい。

関連論文リスト

Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。本モデルでは,事前分布を指定せずに事前学習を行い,複数の予測予測を生成できる。 TimeFlow Loss を通じてモード崩壊を緩和することにより、TimeBench 上で Sundial モデルのファミリーを事前訓練し、前例のないモデルキャパシティと一般化性能を示す。
論文参考訳（メタデータ） (2025-02-02T14:52:50Z)
Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文参考訳（メタデータ） (2024-12-24T03:56:25Z)
Recurrent Interpolants for Probabilistic Time Series Prediction [10.422645245061899]
リカレントニューラルネットワークやトランスフォーマーのような逐次モデルは、確率的時系列予測の標準となっている。近年の研究では、拡散モデルやフローベースモデルを用いて、時系列計算や予測に拡張した生成的アプローチについて検討している。本研究は、補間剤と制御機能付き条件生成に基づく、リカレントニューラルネットワークの効率と拡散モデルの確率的モデリングを組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-18T03:52:48Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2023-10-17T20:30:16Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2022-06-16T06:13:53Z)
Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文参考訳（メタデータ） (2021-12-15T15:51:12Z)
Randomized Neural Networks for Forecasting Time Series with Multiple Seasonality [0.0]
この研究は、新しいランダム化に基づく学習手法を用いたニューラル予測モデルの開発に寄与する。時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに有用である。
論文参考訳（メタデータ） (2021-07-04T18:39:27Z)
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文参考訳（メタデータ） (2021-01-31T11:00:55Z)
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)
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)

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。