論文の概要: AutoML Meets Time Series Regression Design and Analysis of the AutoSeries Challenge

• arxiv url: http://arxiv.org/abs/2107.13186v1
• Date: Wed, 28 Jul 2021 06:30:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:55:44.137118
• Title: AutoML Meets Time Series Regression Design and Analysis of the AutoSeries Challenge
• Title（参考訳）: AutoMLが時系列回帰設計とAutoSeriesチャレンジの分析を発表
• Authors: Zhen Xu, Wei-Wei Tu, Isabelle Guyon
• Abstract要約: WSDMカップ2020における最初の自動時系列回帰チャレンジ(AutoSeries)。 設計、分析、ポストホック実験について述べる。
• 参考スコア（独自算出の注目度）: 21.49840594645196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing better time series with limited human effort is of interest to academia and industry. Driven by business scenarios, we organized the first Automated Time Series Regression challenge (AutoSeries) for the WSDM Cup 2020. We present its design, analysis, and post-hoc experiments. The code submission requirement precluded participants from any manual intervention, testing automated machine learning capabilities of solutions, across many datasets, under hardware and time limitations. We prepared 10 datasets from diverse application domains (sales, power consumption, air quality, traffic, and parking), featuring missing data, mixed continuous and categorical variables, and various sampling rates. Each dataset was split into a training and a test sequence (which was streamed, allowing models to continuously adapt). The setting of time series regression, differs from classical forecasting in that covariates at the present time are known. Great strides were made by participants to tackle this AutoSeries problem, as demonstrated by the jump in performance from the sample submission, and post-hoc comparisons with AutoGluon. Simple yet effective methods were used, based on feature engineering, LightGBM, and random search hyper-parameter tuning, addressing all aspects of the challenge. Our post-hoc analyses revealed that providing additional time did not yield significant improvements. The winners' code was open-sourced https://www.4paradigm.com/competition/autoseries2020.
• Abstract（参考訳）: 人間の努力が限定されたより良い時系列の分析は、アカデミックと産業にとって関心がある。 ビジネスシナリオに基づいて、WSDM Cup 2020の最初のAutomated Time Series Regression Challenge(AutoSeries)を組織しました。 設計、分析、ポストホック実験について述べる。 コード提出要件は、ハードウェアと時間の制限の下で、ソリューションの自動機械学習機能をテストする、手作業による介入から参加者を除外した。 多様なアプリケーションドメイン(販売、消費電力、空気質、交通、駐車)から10のデータセットを作成し、欠落データ、連続変数とカテゴリー変数の混合、様々なサンプリングレートを特徴とした。 各データセットはトレーニングとテストシーケンス(ストリーム化され、モデルが継続的に適応できるように)に分割された。 時系列回帰の設定は、現在の共変数が知られている古典的な予測とは異なる。 参加者によるこのAutoSeries問題への取り組みは、サンプル提出からのパフォーマンス向上とAutoGluonとのポストホック比較によって実証された。 機能エンジニアリング、LightGBM、ランダム検索ハイパーパラメータチューニングに基づくシンプルで効果的な手法が使われ、課題のすべての側面に対処した。 ポストホック分析の結果,追加の時間を提供することで有意な改善は得られなかった。 勝者のコードはhttps://www.4paradigm.com/competition/autoseries2020である。

関連論文リスト

• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• 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)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting [80.14147131520556]
  AutoGluon-TimeSeriesは、確率的時系列予測のためのオープンソースのAutoMLライブラリである。 3行のPythonコードで正確なポイントと量子予測を生成する。
  論文  参考訳（メタデータ） (2023-08-10T13:28:59Z)
• MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
  我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。 実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T09:08:47Z)
• Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
  本稿では,Ti-MAEという新しいフレームワークを提案する。 Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。 いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-01-21T03:20:23Z)
• Winning solutions and post-challenge analyses of the ChaLearn AutoDL challenge 2019 [112.36155380260655]
  本稿では,ChaLearnのAutoDLチャレンジシリーズの結果と今後の課題について述べる。 その結果,一般的なニューラルネットワーク探索(NAS)は実用的ではなかったものの,DL手法が支配的であったことが示唆された。 メタラーナー"、"データインジェクタ"、"モデルセレクタ"、"モデル/ラーナー"、"評価器"を特徴とする、ハイレベルなモジュール化組織が登場した。
  論文  参考訳（メタデータ） (2022-01-11T06:21:18Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Global Models for Time Series Forecasting: A Simulation Study [2.580765958706854]
  自動回帰(AR)や季節ARのような単純なデータ生成プロセス(DGP)からカオスロジスティックマップ、自己興奮型閾値自動回帰、マッキーグラス方程式といった複雑なDGPまで、時系列をシミュレートする。 データセットの長さと系列数は、さまざまなシナリオで変化します。 我々はこれらのデータセットに対して,Recurrent Neural Networks (RNN), Feed-Forward Neural Networks, Pooled Regression (PR) Model, Light Gradient Boosting Models (LGBM)などの大域的予測モデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-12-23T04:45:52Z)
• VEST: Automatic Feature Engineering for Forecasting [3.9747898273716697]
  時系列の過去のダイナミクスを要約した統計を用いた自動回帰プロセスの拡張について検討する。 提案手法は3つの主要なステップで機能する。第1に,最近の観測を異なる表現にマッピングする。第2に,各表現を統計関数で要約する。最後に,特徴選択にフィルタを適用する。
  論文  参考訳（メタデータ） (2020-10-14T14:54:56Z)
• TimeAutoML: Autonomous Representation Learning for Multivariate Irregularly Sampled Time Series [27.0506649441212]
  本稿では,不規則なサンプリングレートと可変長を持つ多変量時系列(TimeAutoML)の自律表現学習手法を提案する。 実世界のデータセットに関する大規模な実証研究は、提案されたTimeAutoMLが、様々なタスクにおける競合するアプローチを大きなマージンで上回ることを示した。
  論文  参考訳（メタデータ） (2020-10-04T15:01:46Z)

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。