論文の概要: Merlion: A Machine Learning Library for Time Series
- arxiv url: http://arxiv.org/abs/2109.09265v1
- Date: Mon, 20 Sep 2021 02:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 06:01:49.209079
- Title: Merlion: A Machine Learning Library for Time Series
- Title(参考訳): Merlion: 時系列のための機械学習ライブラリ
- Authors: Aadyot Bhatnagar, Paul Kassianik, Chenghao Liu, Tian Lan, Wenzhuo
Yang, Rowan Cassius, Doyen Sahoo, Devansh Arpit, Sri Subramanian, Gerald Woo,
Amrita Saha, Arun Kumar Jagota, Gokulakrishnan Gopalakrishnan, Manpreet
Singh, K C Krithika, Sukumar Maddineni, Daeki Cho, Bo Zong, Yingbo Zhou,
Caiming Xiong, Silvio Savarese, Steven Hoi, Huan Wang
- Abstract要約: Merlionは時系列のためのオープンソースの機械学習ライブラリである。
モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。
Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
- 参考スコア(独自算出の注目度): 73.46386700728577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Merlion, an open-source machine learning library for time
series. It features a unified interface for many commonly used models and
datasets for anomaly detection and forecasting on both univariate and
multivariate time series, along with standard pre/post-processing layers. It
has several modules to improve ease-of-use, including visualization, anomaly
score calibration to improve interpetability, AutoML for hyperparameter tuning
and model selection, and model ensembling. Merlion also provides a unique
evaluation framework that simulates the live deployment and re-training of a
model in production. This library aims to provide engineers and researchers a
one-stop solution to rapidly develop models for their specific time series
needs and benchmark them across multiple time series datasets. In this
technical report, we highlight Merlion's architecture and major
functionalities, and we report benchmark numbers across different baseline
models and ensembles.
- Abstract(参考訳): 時系列のためのオープンソースの機械学習ライブラリMerlionを紹介する。
多くの一般的なモデルとデータセットのための統一インターフェースを備えており、不平等時系列と多変量時系列の両方の異常検出と予測と標準前/後処理層での予測を行う。
視覚化、相互運用性を改善するための異常スコアキャリブレーション、ハイパーパラメータチューニングとモデル選択のためのAutoML、モデルアンサンブルなど、使いやすさを改善するためのモジュールがいくつかある。
merlionはまた、実運用環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークを提供する。
このライブラリは、エンジニアと研究者に、特定の時系列ニーズのモデルを迅速に開発し、それらを複数の時系列データセットでベンチマークするためのワンストップソリューションを提供することを目的としている。
本報告では,merlionのアーキテクチャと主要な機能に注目し,様々なベースラインモデルとアンサンブルのベンチマーク結果を報告する。
関連論文リスト
- UniTS: Building a Unified Time Series Model [33.564227351098005]
UNITSは統一された時系列モデルであり、普遍的なタスク仕様、分類の調整、予測、計算、異常検出タスクをサポートする。
38のマルチドメインデータセットにまたがって、UNITSはタスク固有のモデルや自然言語ベースのLLMよりも優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-02-29T21:25:58Z) - Mixture-Models: a one-stop Python Library for Model-based Clustering
using various Mixture Models [4.60168321737677]
textttMixture-Modelsは、Gaussian Mixture Models(GMM)とその変種を適合させるオープンソースのPythonライブラリである。
様々な第1/第2次最適化ルーチンを使用して、これらのモデルの実装と分析を合理化する。
このライブラリは、BIC、AIC、ログライクな推定など、ユーザフレンドリーなモデル評価ツールを提供する。
論文 参考訳(メタデータ) (2024-02-08T19:34:24Z) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
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) - Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。
時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。
Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文 参考訳(メタデータ) (2023-10-03T01:31:25Z) - Forecasting large collections of time series: feature-based methods [7.353918137830393]
時系列の膨大なコレクションを予測する場合,時系列特徴量を用いて2行のアプローチが開発されている。
この章では、オープンソースのソフトウェア実装を参照しながら、最先端の機能ベースのメソッドについて論じます。
論文 参考訳(メタデータ) (2023-09-25T01:23:02Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - ScoreGrad: Multivariate Probabilistic Time Series Forecasting with
Continuous Energy-based Generative Models [10.337742174633052]
本研究では,連続エネルギーモデルに基づく確率的時系列予測フレームワークであるScoreGradを提案する。
ScoreGradは時系列特徴抽出モジュールと条件微分方程式に基づくスコアマッチングモジュールで構成される。
6つの実世界のデータセットで最先端の結果が得られます。
論文 参考訳(メタデータ) (2021-06-18T13:22:12Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for
Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry [0.0]
本研究は、特定の資産に基づく歴史的データ(ソース・ドメイン)を1つの参照資産(ターゲット・ドメイン)に対応するデータに変換することに焦点を当てる。
本稿では,CycleGAN に基づく多変量時系列データのアルゴリズム MTS-CycleGAN を提案する。
我々の貢献は、Long Short-Term Memory(LSTM)ベースのジェネレータと積み重ねLSTMベースの識別器のためのAutoEncoder(AE)のCycleGANアーキテクチャの統合である。
論文 参考訳(メタデータ) (2020-07-15T07:33:25Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。