論文の概要: Multivariate Quantile Function Forecaster

• arxiv url: http://arxiv.org/abs/2202.11316v1
• Date: Wed, 23 Feb 2022 05:22:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 01:50:20.803001
• Title: Multivariate Quantile Function Forecaster
• Title（参考訳）: 多変量関数フォアキャスター
• Authors: Kelvin Kan, Fran\c{c}ois-Xavier Aubet, Tim Januschowski, Youngsuk Park, Konstantinos Benidis, Lars Ruthotto, Jan Gasthaus
• Abstract要約: MQF$2$は多変量関数を用いて構築された大域的確率予測手法である。 我々のモデルは、単一時間ステップのメトリクスの観点から、最先端の手法に匹敵する性能を持つことを示す。
• 参考スコア（独自算出の注目度）: 15.379236429115913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Multivariate Quantile Function Forecaster (MQF$^2$), a global probabilistic forecasting method constructed using a multivariate quantile function and investigate its application to multi-horizon forecasting. Prior approaches are either autoregressive, implicitly capturing the dependency structure across time but exhibiting error accumulation with increasing forecast horizons, or multi-horizon sequence-to-sequence models, which do not exhibit error accumulation, but also do typically not model the dependency structure across time steps. MQF$^2$ combines the benefits of both approaches, by directly making predictions in the form of a multivariate quantile function, defined as the gradient of a convex function which we parametrize using input-convex neural networks. By design, the quantile function is monotone with respect to the input quantile levels and hence avoids quantile crossing. We provide two options to train MQF$^2$: with energy score or with maximum likelihood. Experimental results on real-world and synthetic datasets show that our model has comparable performance with state-of-the-art methods in terms of single time step metrics while capturing the time dependency structure.
• Abstract（参考訳）: 本稿では,多変量関数を用いた大域的確率予測手法であるMultivarate Quantile Function Forecaster (MQF$^2$)を提案する。 以前のアプローチは、自己回帰的あるいは暗黙的に依存関係構造を時間にわたってキャプチャするが、予測地平線の増加に伴うエラー蓄積を示すか、あるいはエラー蓄積を示すのではなく、時間ステップにわたって依存関係構造をモデル化しないマルチホリゾンシーケンスツーシーケンスモデルである。 MQF$^2$は、入力凸ニューラルネットワークを用いてパラメトリズする凸関数の勾配として定義される多変量関数の形で直接予測を行うことによって、両方のアプローチの利点を組み合わせる。 設計上、量子関数は入力量子レベルに対して単調であり、したがって量子交差を避ける。 mqf$^2$: エネルギースコアまたは最大確率でトレーニングする2つのオプションを提供する。 実世界および合成データセットにおける実験結果から,我々のモデルは,時間依存構造をキャプチャしながら,単一の時間ステップメトリクスの観点から,最先端の手法と同等の性能を持つことがわかった。

関連論文リスト

• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Generative machine learning methods for multivariate ensemble post-processing [2.266704492832475]
  生成機械学習に基づく非パラメトリックなデータ駆動分散回帰モデルを提案する。 2つのケーススタディにおいて、我々の生成モデルは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-09-26T09:02:30Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Deep Non-Crossing Quantiles through the Partial Derivative [0.6299766708197883]
  量子回帰(Quantile Regression)は、単一の条件量子を近似する方法を提供する。 QRロス関数の最小化は、非交差量子化を保証しない。 任意の数の量子を予測するための汎用的なディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-30T15:35:21Z)
• Learning Quantile Functions without Quantile Crossing for Distribution-free Time Series Forecasting [12.269597033369557]
  本稿では,分散フリーな分布推定フレームワークであるIncrmental (Spline) Quantile Function I(S)QFを提案する。 また、シーケンス・ツー・シーケンス・セッティングに基づく提案手法の一般化誤差解析も提供する。
  論文  参考訳（メタデータ） (2021-11-12T06:54:48Z)
• Quantum Quantile Mechanics: Solving Stochastic Differential Equations for Generating Time-Series [19.830330492689978]
  微分方程式(SDE)の解からサンプリングする量子アルゴリズムを提案する。 我々は、基礎となる確率分布の量子関数を表現し、サンプルを期待値として抽出する。 本手法は,Ornstein-Uhlenbeck過程をシミュレーションし,初期点と異なるタイミングでサンプリングすることによって検証する。
  論文  参考訳（メタデータ） (2021-08-06T16:14:24Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing [0.0]
  非線形回帰に対する新しいアプローチは、ニューラルネットワーク、特に十分な数の隠蔽層と適切な出力ニューロンを持つフィードフォワードアーキテクチャを使用することである。 本稿では,マルチタスク学習(MTL)アーキテクチャを提案する。これらは,共通レイヤの出力を入力とするタスク固有のレイヤの複数のブランチによって特徴付けられる。 多次元回帰に対するこのアプローチのパワーを実証するため, 蛍光センシングに本手法を適用した。
  論文  参考訳（メタデータ） (2020-07-27T21:23:51Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。