論文の概要: Structured Time Series Prediction without Structural Prior

• arxiv url: http://arxiv.org/abs/2202.03539v1
• Date: Mon, 7 Feb 2022 22:01:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 15:25:02.434562
• Title: Structured Time Series Prediction without Structural Prior
• Title（参考訳）: 構造的先行のない構造的時系列予測
• Authors: Darko Drakulic and Jean-Marc Andreoli
• Abstract要約: 時系列予測は、多くの領域の応用において広くよく研究されている問題である。 このようなグラフに依存しない完全データ駆動モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.152292571922932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series prediction is a widespread and well studied problem with applications in many domains (medical, geoscience, network analysis, finance, econometry etc.). In the case of multivariate time series, the key to good performances is to properly capture the dependencies between the variates. Often, these variates are structured, i.e. they are localised in an abstract space, usually representing an aspect of the physical world, and prediction amounts to a form of diffusion of the information across that space over time. Several neural network models of diffusion have been proposed in the literature. However, most of the existing proposals rely on some a priori knowledge on the structure of the space, usually in the form of a graph weighing the pairwise diffusion capacity of its points. We argue that this piece of information can often be dispensed with, since data already contains the diffusion capacity information, and in a more reliable form than that obtained from the usually largely hand-crafted graphs. We propose instead a fully data-driven model which does not rely on such a graph, nor any other prior structural information. We conduct a first set of experiments to measure the impact on performance of a structural prior, as used in baseline models, and show that, except at very low data levels, it remains negligible, and beyond a threshold, it may even become detrimental. We then investigate, through a second set of experiments, the capacity of our model in two respects: treatment of missing data and domain adaptation.
• Abstract（参考訳）: 時系列予測は多くの領域(医学、地球科学、ネットワーク分析、ファイナンス、エコノメトリーなど)の応用において広く研究されている問題である。 多変量時系列の場合、良いパフォーマンスの鍵は、変量間の依存関係を適切に捉えることである。 これらの変数は、しばしば構造化され、すなわち、それらは抽象空間に局所化され、通常は物理世界の側面を表し、予測は時間とともにその空間にまたがる情報の拡散の形式に等しい。 拡散のニューラルネットワークモデルが文献で提案されている。 しかし、既存の提案の多くは空間の構造に関するいくつかの事前知識に依存しており、通常はその点の双対拡散容量を重んじるグラフの形式である。 データには拡散容量情報が含まれており、通常はほとんど手作りのグラフから得られるものよりも信頼性が高いため、この情報をしばしば使い捨てることができると主張している。 代わりに、このようなグラフや他の事前構造情報に依存しない完全なデータ駆動モデルを提案する。 ベースラインモデルで用いられるように、構造先行の性能への影響を計測するための最初の実験を行い、非常に低いデータレベルを除いては無視可能であり、しきい値を超えると有害になる可能性があることを示す。 次に、第2の実験を通して、欠落データ処理とドメイン適応という2つの点でモデルの能力について検討する。

関連論文リスト

• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Disentangled Spatiotemporal Graph Generative Models [32.11916705039446]
  グラフデータは、ミクロスケール(タンパク質の折り畳みなど)から中スケール(人間の移動ネットワークなど)まで、ますます重要になってきています
  論文  参考訳（メタデータ） (2022-02-28T08:36:50Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Spatiotemporal Attention for Multivariate Time Series Prediction and Interpretation [17.568599402858037]
  最も重要な時間ステップと変数の同時学習のための時間的注意機構(STAM)。 結果: STAMは最先端の予測精度を維持しつつ,正確な解釈可能性の利点を提供する。
  論文  参考訳（メタデータ） (2020-08-11T17:34:55Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。