Fugu-MT 論文翻訳(概要): NeuralProphet: Explainable Forecasting at Scale

論文の概要: NeuralProphet: Explainable Forecasting at Scale

arxiv url: http://arxiv.org/abs/2111.15397v1
Date: Mon, 29 Nov 2021 18:34:20 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 13:55:17.742019
Title: NeuralProphet: Explainable Forecasting at Scale
Title（参考訳）: neural prophet: スケールで説明可能な予測
Authors: Oskar Triebe, Hansika Hewamalage, Polina Pilyugina, Nikolay Laptev, Christoph Bergmeir, Ram Rajagopal
Abstract要約: 我々はFacebook Prophetの後継であるNeuralProphetを紹介する。 Prophet氏は、説明可能な、スケーラブルで、ユーザフレンドリーな予測フレームワークのための業界標準を設定した。以上の結果から,NeuralProphetはProphetと同等あるいは優れた品質の解釈可能な予測成分を生成することがわかった。
参考スコア（独自算出の注目度）: 5.268856245794001
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce NeuralProphet, a successor to Facebook Prophet, which set an industry standard for explainable, scalable, and user-friendly forecasting frameworks. With the proliferation of time series data, explainable forecasting remains a challenging task for business and operational decision making. Hybrid solutions are needed to bridge the gap between interpretable classical methods and scalable deep learning models. We view Prophet as a precursor to such a solution. However, Prophet lacks local context, which is essential for forecasting the near-term future and is challenging to extend due to its Stan backend. NeuralProphet is a hybrid forecasting framework based on PyTorch and trained with standard deep learning methods, making it easy for developers to extend the framework. Local context is introduced with auto-regression and covariate modules, which can be configured as classical linear regression or as Neural Networks. Otherwise, NeuralProphet retains the design philosophy of Prophet and provides the same basic model components. Our results demonstrate that NeuralProphet produces interpretable forecast components of equivalent or superior quality to Prophet on a set of generated time series. NeuralProphet outperforms Prophet on a diverse collection of real-world datasets. For short to medium-term forecasts, NeuralProphet improves forecast accuracy by 55 to 92 percent.
Abstract（参考訳）: facebook prophetの後継であるneural prophetを紹介し、説明可能でスケーラブルで、ユーザフレンドリーな予測フレームワークの業界標準を設定します。時系列データの普及に伴い、説明可能な予測はビジネスや運用上の意思決定において依然として困難なタスクである。解釈可能な古典的手法とスケーラブルなディープラーニングモデルの間のギャップを埋めるためにハイブリッドソリューションが必要である。我々は Prophet をそのようなソリューションの先駆者と見なしている。しかし、prophetにはローカルコンテキストが欠如しており、これは近い将来の予測に必須であり、stanバックエンドのため拡張が困難である。 neuralprophetはpytorchをベースにしたハイブリッド予測フレームワークであり、標準的なディープラーニングメソッドでトレーニングされている。ローカルコンテキストは自動回帰と共変モジュールによって導入され、古典線形回帰やニューラルネットワークとして設定できる。そうでなければ、NeuralProphetはProphetの設計哲学を維持し、同じ基本モデルコンポーネントを提供する。この結果から,Neural Prophetは生成した時系列の集合上で,Prophetに等価あるいは優れた品質の解釈可能な予測成分を生成することがわかった。 neuralprophetは、現実世界のさまざまなデータセットの集まりでprophetを上回る。短期から中期の予測では、NeuralProphetは予測精度を55%から92%改善する。

関連論文リスト

Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
我々は,過去を前提とした将来のセンサ観測の課題を探求する。マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
論文参考訳（メタデータ） (2024-04-17T16:56:31Z)
From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文参考訳（メタデータ） (2023-11-27T21:37:50Z)
Towards Anytime Classification in Early-Exit Architectures by Enforcing Conditional Monotonicity [5.425028186820756]
任意のアルゴリズムは、計算予算が動的である環境に適しています。現在のアーリーエグジットネットワークは、任意の設定に直接適用できないことを示す。本稿では,製品・オブ・エグゼクティブ(Product-of-Experts)に基づくエレガントなポストホック修正を提案する。
論文参考訳（メタデータ） (2023-06-05T07:38:13Z)
NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
論文参考訳（メタデータ） (2022-11-29T15:03:05Z)
Pyramidal Predictive Network: A Model for Visual-frame Prediction Based on Predictive Coding Theory [1.4610038284393165]
本稿では,視覚的フレーム予測のためのニューラルネットワークモデルを提案する。このモデルは、トップダウンストリームとボトムアップストリームを形成する一連の繰り返しおよび畳み込みユニットで構成されている。ネットワークの各レイヤにConvLSTMを配置し、トップからダウンまでの局所的な予測を行う。
論文参考訳（メタデータ） (2022-08-15T06:28:34Z)
Dynamic Inference with Neural Interpreters [72.90231306252007]
本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
論文参考訳（メタデータ） (2021-10-12T23:22:45Z)
FitVid: Overfitting in Pixel-Level Video Prediction [117.59339756506142]
われわれはFitVidという新しいアーキテクチャを導入し、一般的なベンチマークに厳しいオーバーフィッティングを行えるようにした。 FitVidは、4つの異なるメトリクスで4つの異なるビデオ予測ベンチマークで現在の最先端モデルを上回っている。
論文参考訳（メタデータ） (2021-06-24T17:20:21Z)
Graph Neural Networks for Improved El Ni\~no Forecasting [0.009620910657090186]
我々は,エルニーニョ南部振動(ENSO)を長時間予測するためのグラフニューラルネットワーク(GNN)の応用を提案する。予備的な結果は1ヶ月と3ヶ月前に予測される最先端システムよりも有望で優れています。
論文参考訳（メタデータ） (2020-12-02T23:40:53Z)
SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文参考訳（メタデータ） (2020-07-08T20:33:10Z)
Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。