論文の概要: LSTM-RPA: A Simple but Effective Long Sequence Prediction Algorithm for Music Popularity Prediction

• arxiv url: http://arxiv.org/abs/2110.15790v1
• Date: Wed, 27 Oct 2021 08:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 02:42:19.236490
• Title: LSTM-RPA: A Simple but Effective Long Sequence Prediction Algorithm for Music Popularity Prediction
• Title（参考訳）: LSTM-RPA:音楽人気予測のための単純だが効果的な長周期予測アルゴリズム
• Authors: Kun Li, Meng Li, Yanling Li, and Min Lin
• Abstract要約: 研究者は、このデータを分析して人気曲の傾向を正確に予測できる。 従来のトレンド予測モデルは、長いトレンドよりも短いトレンドを予測できる。 改良型LSTM圧延予測アルゴリズム(LSTM-RPA)を提案する。
• 参考スコア（独自算出の注目度）: 19.003312140124706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The big data about music history contains information about time and users' behavior. Researchers could predict the trend of popular songs accurately by analyzing this data. The traditional trend prediction models can better predict the short trend than the long trend. In this paper, we proposed the improved LSTM Rolling Prediction Algorithm (LSTM-RPA), which combines LSTM historical input with current prediction results as model input for next time prediction. Meanwhile, this algorithm converts the long trend prediction task into multiple short trend prediction tasks. The evaluation results show that the LSTM-RPA model increased F score by 13.03%, 16.74%, 11.91%, 18.52%, compared with LSTM, BiLSTM, GRU and RNN. And our method outperforms tradi-tional sequence models, which are ARIMA and SMA, by 10.67% and 3.43% improvement in F score.Code: https://github.com/maliaosaide/lstm-rpa
• Abstract（参考訳）: 音楽の歴史に関するビッグデータには、時間とユーザーの行動に関する情報が含まれている。 このデータを分析すれば、人気曲の傾向を正確に予測できる。 従来の傾向予測モデルは、長い傾向よりも短い傾向を予測できる。 本稿では,LSTM履歴入力と現在の予測結果をモデル入力とする改良型LSTM転がり予測アルゴリズム(LSTM-RPA)を提案する。 一方、このアルゴリズムは、長いトレンド予測タスクを複数の短いトレンド予測タスクに変換する。 LSTM, BiLSTM, GRU, RNNと比較して, LSTM-RPAモデルではFスコアが13.03%, 16.74%, 11.91%, 18.52%増加した。 また、本手法は、arimaおよびsmaであるtradi-tional sequence modelを10.67%、fスコアを3.43%改善した。

関連論文リスト

• Predicting Emergent Capabilities by Finetuning [98.9684114851891]
  微調整された言語モデルでは,出現頻度の低いモデルに展開するスケーリングのポイントをシフトできることがわかった。 提案手法は4つの標準NLPベンチマークを用いて検証する。 いくつかのケースでは、最大4倍の計算でトレーニングされたモデルが出現したかどうかを正確に予測できる。
  論文  参考訳（メタデータ） (2024-11-25T01:48:09Z)
• Time Series Stock Price Forecasting Based on Genetic Algorithm (GA)-Long Short-Term Memory Network (LSTM) Optimization [0.0]
  遺伝的アルゴリズム(GA)とLong Short-Term Memory Network(LSTM)に基づく時系列アルゴリズムを用いて、株価を効果的に予測する。 その結果,GA-Long Short-Term Memory Network (LSTM) に基づく時系列アルゴリズムは,株価を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2024-05-06T04:04:27Z)
• Kernel Corrector LSTM [1.034961673489652]
  我々は、cLSTMのメタラーナーをより単純な方法で置き換える新しいRW-MLアルゴリズムであるKernel Corrector LSTM(KcLSTM)を提案する。 我々は,新しいアルゴリズムの予測精度とトレーニング時間を実験的に評価し,cLSTMとLSTMと比較した。
  論文  参考訳（メタデータ） (2024-04-28T18:44:10Z)
• Human trajectory prediction using LSTM with Attention mechanism [0.0]
  我々は注意スコアを用いて、モデルが予測を行う際にどの部分に注目すべきかを判断する。 提案アルゴリズムは,混み合った空間における歩行者の将来の軌跡を予測する上で,ソーシャルLSTMよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-01T08:35:24Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Process Outcome Prediction: CNN vs. LSTM (with Attention) [0.15229257192293202]
  時系列問題に対する畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)の性能について検討する。 その結果,これらのニューラルネットワークは高い予測能力に満足できることがわかった。 CNNのスピード、早期予測力、堅牢性は、プロセス結果予測への適用の道を開くべきだと主張しています。
  論文  参考訳（メタデータ） (2021-04-14T15:38:32Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Future Vector Enhanced LSTM Language Model for LVCSR [67.03726018635174]
  本稿では,将来ベクトルを用いた拡張長短期メモリ(LSTM)LMを提案する。 実験の結果,提案したLSTM LMはBLEUスコアよりも長期のシーケンス予測に有効であることがわかった。 新たなLSTM LMと従来のLSTM LMを併用することで,単語誤り率を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-07-31T08:38:56Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• COVID-19 growth prediction using multivariate long short term memory [2.588973722689844]
  長期記憶(LSTM)法を用いて、時間とともに新型コロナウイルスの増殖の相関を学習する。 まず、世界中から確認された症例を含むトレーニングデータをトレーニングした。 リカレントニューラルネットワーク(RNN)法と同等の低い検証誤差で比較して,良好な性能を示した。
  論文  参考訳（メタデータ） (2020-05-10T23:21:19Z)
• ProphetNet: Predicting Future N-gram for Sequence-to-Sequence Pre-training [85.35910219651572]
  本稿ではProphetNetと呼ばれる新しいシーケンス・ツー・シーケンス事前学習モデルを提案する。 将来的なn-gram予測という,新たな自己教師型目標を導入している。 我々は,CNN/DailyMail,Gigaword,SQuAD 1.1ベンチマークを用いて,抽象的な要約と質問生成タスクの実験を行った。
  論文  参考訳（メタデータ） (2020-01-13T05:12:38Z)

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。