論文の概要: Robust Probabilistic Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2202.11910v1
- Date: Thu, 24 Feb 2022 05:46:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-26 03:51:24.903215
- Title: Robust Probabilistic Time Series Forecasting
- Title(参考訳): ロバスト確率的時系列予測
- Authors: TaeHo Yoon, Youngsuk Park, Ernest K. Ryu, Yuyang Wang
- Abstract要約: 本稿では,頑健な確率的時系列予測のためのフレームワークを提案する。
逆入力摂動の概念を一般化し、境界ワッサーシュタイン偏差の項でロバストネスの概念を定式化する。
本手法は,加法的対向攻撃による予測品質の向上と雑音観測の補足による予測整合性向上に実証的に有効である。
- 参考スコア(独自算出の注目度): 20.235389891676512
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic time series forecasting has played critical role in
decision-making processes due to its capability to quantify uncertainties. Deep
forecasting models, however, could be prone to input perturbations, and the
notion of such perturbations, together with that of robustness, has not even
been completely established in the regime of probabilistic forecasting. In this
work, we propose a framework for robust probabilistic time series forecasting.
First, we generalize the concept of adversarial input perturbations, based on
which we formulate the concept of robustness in terms of bounded Wasserstein
deviation. Then we extend the randomized smoothing technique to attain robust
probabilistic forecasters with theoretical robustness certificates against
certain classes of adversarial perturbations. Lastly, extensive experiments
demonstrate that our methods are empirically effective in enhancing the
forecast quality under additive adversarial attacks and forecast consistency
under supplement of noisy observations.
- Abstract(参考訳): 確率的時系列予測は不確実性を定量化する能力のために意思決定プロセスにおいて重要な役割を果たす。
しかし、深い予測モデルは入力摂動を起こしやすい可能性があり、そのような摂動の概念と堅牢性の概念は、確率的予測の方法では、完全に確立されていない。
本研究では,ロバスト確率時系列予測のためのフレームワークを提案する。
まず, 逆入力摂動の概念を一般化し, 境界ワッサースタイン偏差の観点からロバスト性の概念を定式化する。
次に, 確率論的確率予測器を, 対向摂動のクラスに対して理論的頑健性証明で拡張する。
最後に,本手法は,加法的対向攻撃による予測品質の向上と雑音観測の補足による予測整合性向上に実証的に有効であることを示す。
関連論文リスト
- Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。
データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-27T21:46:42Z) - Tackling Missing Values in Probabilistic Wind Power Forecasting: A
Generative Approach [1.384633930654651]
そこで本研究では,欠落した値の処理と目標の予測を無関心に行い,未知の値を同時に予測することを提案する。
従来の「インプット、予測」パイプラインと比較して、提案手法は連続的なランク付け確率スコアにおいてより良い性能を達成する。
論文 参考訳(メタデータ) (2024-03-06T11:38:08Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing
Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。
全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文 参考訳(メタデータ) (2023-05-26T04:27:48Z) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳(メタデータ) (2023-02-03T15:11:39Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳(メタデータ) (2022-08-11T15:21:53Z) - Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。
ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。
本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-07T08:51:16Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。
提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-08T13:08:34Z)
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。