論文の概要: Evolutionary Ensemble Learning for Multivariate Time Series Prediction
- arxiv url: http://arxiv.org/abs/2108.09659v1
- Date: Sun, 22 Aug 2021 07:36:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:58:14.241020
- Title: Evolutionary Ensemble Learning for Multivariate Time Series Prediction
- Title（参考訳）: 多変量時系列予測のための進化的アンサンブル学習
- Authors: Hui Song, A. K. Qin, Flora D. Salim
- Abstract要約: MTS予測モデル(PM)を構築する典型的なパイプラインは、利用可能なすべてのチャネルのサブセットを選択することである。
本稿では,パイプライン全体を総合的に最適化する新たな進化的アンサンブル学習フレームワークを提案する。
提案手法を実装し,実世界の2つの応用,すなわち電力消費予測と大気質予測について検討した。
- 参考スコア（独自算出の注目度）: 6.736731623634526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series (MTS) prediction plays a key role in many fields
such as finance, energy and transport, where each individual time series
corresponds to the data collected from a certain data source, so-called
channel. A typical pipeline of building an MTS prediction model (PM) consists
of selecting a subset of channels among all available ones, extracting features
from the selected channels, and building a PM based on the extracted features,
where each component involves certain optimization tasks, i.e., selection of
channels, feature extraction (FE) methods, and PMs as well as configuration of
the selected FE method and PM. Accordingly, pursuing the best prediction
performance corresponds to optimizing the pipeline by solving all of its
involved optimization problems. This is a non-trivial task due to the vastness
of the solution space. Different from most of the existing works which target
at optimizing certain components of the pipeline, we propose a novel
evolutionary ensemble learning framework to optimize the entire pipeline in a
holistic manner. In this framework, a specific pipeline is encoded as a
candidate solution and a multi-objective evolutionary algorithm is applied
under different population sizes to produce multiple Pareto optimal sets
(POSs). Finally, selective ensemble learning is designed to choose the optimal
subset of solutions from the POSs and combine them to yield final prediction by
using greedy sequential selection and least square methods. We implement the
proposed framework and evaluate our implementation on two real-world
applications, i.e., electricity consumption prediction and air quality
prediction. The performance comparison with state-of-the-art techniques
demonstrates the superiority of the proposed approach.
- Abstract（参考訳）: 多変量時系列(multivariate time series, mts)予測は金融、エネルギー、輸送といった多くの分野において重要な役割を果たす。
mts予測モデル(pm)を構築する典型的なパイプラインは、利用可能なチャネルのサブセットを選択し、選択されたチャネルから特徴を抽出することと、抽出された特徴に基づいてpmを構築することで構成される。
したがって、最適な予測性能の追求は、関連するすべての最適化問題を解決することでパイプラインの最適化に対応する。
これは解空間の広さによる非自明な仕事である。
パイプラインの特定のコンポーネントの最適化を目標とする既存の作業の多くとは違い,パイプライン全体を総合的に最適化する新たな進化的アンサンブル学習フレームワークを提案する。
このフレームワークでは、特定のパイプラインを候補解として符号化し、異なる集団サイズで多目的進化アルゴリズムを適用して複数のパレート最適集合(POS)を生成する。
最後に、選択アンサンブル学習は、POSから解の最適部分集合を選択し、それらを組み合わせて、グレディシーケンシャル選択と最小二乗法を用いて最終的な予測を得るように設計されている。
提案フレームワークを実装し,実世界の電力消費予測と空気品質予測という2つのアプリケーションの実装を評価する。
最先端技術との比較により,提案手法の優位性を示した。
関連論文リスト
- Learning Submodular Sequencing from Samples [11.528995186765751]
本稿では,いくつかの複合部分モジュラー関数を最適化するために,シーケンス内の項目の選択とランク付けの問題に対処する。
本稿では,各部分モジュラ関数の曲率に依存する近似比を求めるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-09T01:33:13Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Column and row subset selection using nuclear scores: algorithms and theory for Nyström approximation, CUR decomposition, and graph Laplacian reduction [0.0]
我々は,高速,効率的,理論的に保証された列選択のための統一手法を開発した。
まず、カーネル近似やCUR分解といったタスクに適用可能な空間分割決定アルゴリズムを導出し、実装する。
次に、保証濃度境界を満たすランダム化スキームに依存する行列自由形式を考案する。
論文 参考訳（メタデータ） (2024-07-01T18:10:19Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。
コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。
また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
論文 参考訳（メタデータ） (2024-02-20T23:59:45Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - There is No Silver Bullet: Benchmarking Methods in Predictive Combinatorial Optimization [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
モジュールレベルでの設計選択を含む、両方のアプローチのシステマティックなベンチマークはありません。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - Optimizing accuracy and diversity: a multi-task approach to forecast
combinations [0.0]
両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。
標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。
提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
論文 参考訳（メタデータ） (2023-10-31T15:26:33Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳（メタデータ） (2021-09-12T23:54:26Z) - Joint Adaptive Graph and Structured Sparsity Regularization for
Unsupervised Feature Selection [6.41804410246642]
本稿では,共同適応グラフと構造付き空間正規化unsupervised feature selection (JASFS)法を提案する。
最適な機能のサブセットがグループで選択され、選択された機能の数が自動的に決定される。
8つのベンチマーク実験の結果,提案手法の有効性と有効性を示した。
論文 参考訳（メタデータ） (2020-10-09T08:17:04Z)
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。