論文の概要: IDEA: Interpretable Dynamic Ensemble Architecture for Time Series Prediction

• arxiv url: http://arxiv.org/abs/2201.05336v1
• Date: Fri, 14 Jan 2022 08:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-17 14:54:52.211522
• Title: IDEA: Interpretable Dynamic Ensemble Architecture for Time Series Prediction
• Title（参考訳）: 時系列予測のための解釈可能な動的アンサンブルアーキテクチャ
• Authors: Mengyue Zha, Kani Chen, Tong Zhang
• Abstract要約: 本稿では,解釈可能なベース学習者が群としての疎コミュニケーションと独立して予測を行うための,解釈可能な動的アンサンブルアーキテクチャ(IDEA)を提案する。 予測精度はTOURISMデータセットで最高の統計ベンチマークで2.6%向上し、M4データセットで最高のディープラーニングベンチマークで2%向上した。
• 参考スコア（独自算出の注目度）: 11.398865093869881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We enhance the accuracy and generalization of univariate time series point prediction by an explainable ensemble on the fly. We propose an Interpretable Dynamic Ensemble Architecture (IDEA), in which interpretable base learners give predictions independently with sparse communication as a group. The model is composed of several sequentially stacked groups connected by group backcast residuals and recurrent input competition. Ensemble driven by end-to-end training both horizontally and vertically brings state-of-the-art (SOTA) performances. Forecast accuracy improves by 2.6% over the best statistical benchmark on the TOURISM dataset and 2% over the best deep learning benchmark on the M4 dataset. The architecture enjoys several advantages, being applicable to time series from various domains, explainable to users with specialized modular structure and robust to changes in task distribution.
• Abstract（参考訳）: 説明可能なアンサンブルによる不定な時系列予測の精度と一般化をオンザフライで向上させる。 本稿では,解釈可能なベース学習者が群としての疎コミュニケーションと独立して予測を行うための,解釈可能な動的アンサンブルアーキテクチャ(IDEA)を提案する。 このモデルは、グループバックキャスト残差と再帰入力競合によって接続された複数の連続的に積み重ねられたグループで構成されている。 エンドツーエンドのトレーニングによるアンサンブルは、水平および垂直の両方で、最先端(SOTA)のパフォーマンスをもたらす。 予測精度はTOURISMデータセットで最高の統計ベンチマークで2.6%向上し、M4データセットで最高のディープラーニングベンチマークで2%向上した。 アーキテクチャにはいくつかの利点があり、様々なドメインの時系列に適用でき、特殊なモジュール構造を持ち、タスク分散の変化にロバストなユーザに対して説明できる。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• BasisFormer: Attention-based Time Series Forecasting with Learnable and Interpretable Basis [27.023255232163166]
  ベースは、時系列予測のための現代のディープラーニングベースのモデルにおいて、不可欠な部分となっている。 本稿では,学習可能なベースと解釈可能なベースを活用する,エンドツーエンドの時系列予測アーキテクチャであるBasisFormerを提案する。
  論文  参考訳（メタデータ） (2023-10-31T14:34:00Z)
• TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
  本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。 TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
  論文  参考訳（メタデータ） (2023-10-08T00:02:25Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Hierarchically Coherent Multivariate Mixture Networks [11.40498954142061]
  確率的コヒーレント予測(probabilistic coherent forecasting)は、アグリゲーションのレベルにわたって一貫性のある予測を生成する。 我々は、時系列の関係を捉えるために、複合的可能性目的でネットワークを最適化する。 我々のアプローチでは、最先端のベースラインと比較して、ほとんどのデータセットの平均精度が13.2%向上している。
  論文  参考訳（メタデータ） (2023-05-11T18:52:11Z)
• Boosted Ensemble Learning based on Randomized NNs for Time Series Forecasting [0.0]
  時系列予測は、特に時系列が複数の季節性、非線形傾向、変動の変動を表現する場合、難しい問題である。 本稿では,ランダムなニューラルネットワークに基づくアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:43:18Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• 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)

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。