論文の概要: SSDNet: State Space Decomposition Neural Network for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2112.10251v1
• Date: Sun, 19 Dec 2021 20:35:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 04:14:12.181510
• Title: SSDNet: State Space Decomposition Neural Network for Time Series Forecasting
• Title（参考訳）: SSDNet: 時系列予測のための状態空間分解ニューラルネットワーク
• Authors: Yang Lin, Irena Koprinska, Mashud Rana
• Abstract要約: SSDNetは時系列予測のための新しいディープラーニングアプローチである。 トランスフォーマーアーキテクチャは、時間パターンを学習し、状態空間モデルのパラメータを推定するために使用される。 SSDNetは精度と速度の面で有効な手法であり,最先端のディープラーニングや統計的手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.311025156596578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present SSDNet, a novel deep learning approach for time series forecasting. SSDNet combines the Transformer architecture with state space models to provide probabilistic and interpretable forecasts, including trend and seasonality components and previous time steps important for the prediction. The Transformer architecture is used to learn the temporal patterns and estimate the parameters of the state space model directly and efficiently, without the need for Kalman filters. We comprehensively evaluate the performance of SSDNet on five data sets, showing that SSDNet is an effective method in terms of accuracy and speed, outperforming state-of-the-art deep learning and statistical methods, and able to provide meaningful trend and seasonality components.
• Abstract（参考訳）: 本稿では,時系列予測のための新しい深層学習手法であるSSDNetを提案する。 SSDNetはTransformerアーキテクチャと状態空間モデルを組み合わせることで、トレンドや季節的なコンポーネントを含む確率的かつ解釈可能な予測と、予測に重要な以前の時間ステップを提供する。 Transformerアーキテクチャは、時間パターンを学習し、カルマンフィルタを必要とせずに、状態空間モデルのパラメータを直接効率的に推定するために使用される。 5つのデータセットにおけるssdnetの性能を総合的に評価し,ssdnetは精度と速度の面で有効な手法であり,最先端のディープラーニングと統計的手法を上回っており,有意義な傾向と季節性成分を提供できることを示した。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction [25.688521281119037]
  下流タスクの最適化には,V2Vチャネル状態情報(CSI)予測が不可欠である。 従来の予測手法は、時間、帯域幅、アンテナ(TX、RX)空間の予測を含む4次元(4D)CSIに重点を置いている。 本研究では,4次元CSIデータ内の依存関係をキャプチャするコンテキスト条件付き時間予測学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-16T04:15:36Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• A-SDM: Accelerating Stable Diffusion through Redundancy Removal and Performance Optimization [54.113083217869516]
  本研究ではまず,ネットワークの計算冗長性について検討する。 次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。 第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
  論文  参考訳（メタデータ） (2023-12-24T15:37:47Z)
• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• HigeNet: A Highly Efficient Modeling for Long Sequence Time Series Prediction in AIOps [30.963758935255075]
  本稿では,HigeNetという高効率モデルを提案し,時系列時系列の予測を行う。 モデルのトレーニング時間,資源使用量,精度は,5つの最先端競合モデルよりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T13:48:43Z)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。 具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。 我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)
• Spatiotemporal convolutional network for time-series prediction and causal inference [21.895413699349966]
  時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。 このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-07-03T06:20:43Z)
• ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting [6.043572971237165]
  本稿では,フィードフォワードアーキテクチャを用いて時間変動モデルを提供するForecastNetを提案する。 ForecastNetは、いくつかのデータセットで統計的およびディープラーニングベンチマークモデルを上回るパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-02-11T01:03:33Z)

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。