論文の概要: Transferable Time-Series Forecasting under Causal Conditional Shift
- arxiv url: http://arxiv.org/abs/2111.03422v1
- Date: Fri, 5 Nov 2021 11:50:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 15:48:01.927780
- Title: Transferable Time-Series Forecasting under Causal Conditional Shift
- Title（参考訳）: 因果条件シフト下での転送可能な時系列予測
- Authors: Zijian Li, Ruichu Cai, Tom Z.J Fu, Kun Zhang
- Abstract要約: 本稿では,時系列予測のためのテキストカラーブラックセミ教師付きドメイン適応の問題に焦点をあてる。
提案手法は,クロスドメインのtextitGranger Causality を検出するだけでなく,クロスドメインの時系列予測問題にも対処できる。
- 参考スコア（独自算出の注目度）: 22.646660193427934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on the problem of \textcolor{black}{semi-supervised}
domain adaptation for time-series forecasting, which is an easily neglected but
challenging problem due to the changeable and complex conditional dependencies.
In fact, these domain-specific conditional dependencies are mainly led by the
data offset, the time lags, and the variant data distribution. In order to cope
with this problem, we analyze the variational conditional dependencies in
time-series data and consider that the causal structures are stable among
different domains, and further raise the causal conditional shift assumption.
Enlightened by this assumption, we consider the causal generation process for
time-series data and devise an end-to-end model for transferable time-series
forecasting. The proposed method can not only discover the cross-domain
\textit{Granger Causality} but also address the cross-domain time-series
forecasting problem. It can even provide the interpretability of the predicted
results to some extent. We further theoretically analyze the superiority of the
proposed methods, where the generalization error on the target domain is not
only bounded by the empirical risks on the source and target domains but also
by the similarity between the causal structures from different domains.
Experimental results on both synthetic and real data demonstrate the
effectiveness of the proposed method for transferable time-series forecasting.
- Abstract（参考訳）: 本稿では,時間系列予測における {textcolor{black}{semi-supervised} ドメイン適応の問題に焦点をあてる。
実際、これらのドメイン固有の条件依存は主にデータオフセット、タイムラグ、および変動データ分散によって導かれる。
この問題に対処するために,時系列データにおける変分条件依存性を分析し,その因果構造が異なる領域間で安定であると考え,さらに因果条件シフトの仮定を提起する。
この仮定に照らし合わせて,時系列データの因果生成過程を考察し,転送可能な時系列予測のためのエンドツーエンドモデルを提案する。
提案手法は、クロスドメイン \textit{Granger Causality} だけでなく、クロスドメインの時系列予測問題にも対処できる。
また、予測された結果のある程度の解釈性も提供できる。
さらに、提案手法の優位性を理論的に分析し、対象領域上の一般化誤差は、ソースとターゲット領域に対する経験的リスクだけでなく、異なるドメインの因果構造間の類似性によっても制限される。
合成データと実データの両方の実験結果から,転送可能な時系列予測法の有効性が示された。
関連論文リスト
- Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。
我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
論文 参考訳（メタデータ） (2025-02-13T16:12:17Z) - Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。
本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。
提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
論文 参考訳（メタデータ） (2024-12-15T12:41:53Z) - Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。
予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。
予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
論文 参考訳（メタデータ） (2024-05-16T17:55:42Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Variational Counterfactual Prediction under Runtime Domain Corruption [50.89405221574912]
ドメインシフトとアクセス不能変数の同時発生 実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。
我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。
VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
論文 参考訳（メタデータ） (2023-06-23T02:54:34Z) - Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。
本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-15T14:08:48Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Domain Conditional Predictors for Domain Adaptation [3.951376400628575]
本稿では,入力データに依存することに加えて,基礎となるデータ生成分布に対する情報を利用する条件付きモデリング手法を検討する。
このようなアプローチは、現在のドメイン適応手法よりも一般的に適用可能であると論じる。
論文 参考訳（メタデータ） (2021-06-25T22:15:54Z) - Time Series Domain Adaptation via Sparse Associative Structure Alignment [29.003081310633323]
ドメイン適応のための新しい疎結合構造アライメントモデルを提案する。
まず、オフセットの障害を排除するためのセグメントセットを生成する。
第2に、変数内および変数間スパースアテンション機構を考案し、連想構造時系列データを抽出する。
第3に、連想構造アライメントは、ソースドメインからターゲットドメインへの知識の転送を導くために使用される。
論文 参考訳（メタデータ） (2020-12-22T02:30:40Z)
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。