論文の概要: ONE-NAS: An Online NeuroEvolution based Neural Architecture Search for
Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2202.13471v1
- Date: Sun, 27 Feb 2022 22:58:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:45:12.406121
- Title: ONE-NAS: An Online NeuroEvolution based Neural Architecture Search for
Time Series Forecasting
- Title（参考訳）: ONE-NAS: 時系列予測のためのオンライン神経進化に基づくニューラルアーキテクチャ検索
- Authors: Zimeng Lyu, Travis Desell
- Abstract要約: この研究は、Online NeuroEvolution based Neural Architecture Search (ONE-NAS)アルゴリズムを提示する。
ONE-NASは、オンライン環境で新しいリカレントニューラルネットワーク(RNN)を自動設計し、訓練することのできる、最初のニューラルネットワーク検索アルゴリズムである。
従来の統計時系列予測よりも優れており、ナイーブ、移動平均、指数的平滑化などが挙げられる。
- 参考スコア（独自算出の注目度）: 3.3758186776249928
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Time series forecasting (TSF) is one of the most important tasks in data
science, as accurate time series (TS) predictions can drive and advance a wide
variety of domains including finance, transportation, health care, and power
systems. However, real-world utilization of machine learning (ML) models for
TSF suffers due to pretrained models being able to learn and adapt to
unpredictable patterns as previously unseen data arrives over longer time
scales. To address this, models must be periodically retained or redesigned,
which takes significant human and computational resources. This work presents
the Online NeuroEvolution based Neural Architecture Search (ONE-NAS) algorithm,
which to the authors' knowledge is the first neural architecture search
algorithm capable of automatically designing and training new recurrent neural
networks (RNNs) in an online setting. Without any pretraining, ONE-NAS utilizes
populations of RNNs which are continuously updated with new network structures
and weights in response to new multivariate input data. ONE-NAS is tested on
real-world large-scale multivariate wind turbine data as well a univariate Dow
Jones Industrial Average (DJIA) dataset, and is shown to outperform traditional
statistical time series forecasting, including naive, moving average, and
exponential smoothing methods, as well as state of the art online ARIMA
strategies.
- Abstract（参考訳）: 時系列予測(TSF)は、データサイエンスにおいて最も重要なタスクの1つであり、正確な時系列予測(TS)は、金融、交通、医療、電力システムを含む幅広い領域を駆動し前進させることができる。
しかし、TSFのための機械学習(ML)モデルの現実的な利用は、事前訓練されたモデルが予測不可能なパターンを学習し、適応できるため、これまで見られなかったデータがより長い時間スケールで到達する。
これに対処するために、モデルは定期的に保持または再設計されなければならない。
このアルゴリズムは、著者たちの知る限り、オンライン環境で新しいリカレントニューラルネットワーク(RNN)を自動設計し、訓練することができる最初のニューラルアーキテクチャ探索アルゴリズムである。
ONE-NASは事前トレーニングなしで、新しい多変量入力データに応答して、新しいネットワーク構造と重みを継続的に更新するRNNの人口を利用する。
ONE-NASは、実世界の大規模多変量風力タービンデータと単変量ダウ・ジョーンズ工業平均(DJIA)データセットでテストされ、ナイーブ、移動平均、指数的平滑化手法、およびオンラインARIMA戦略の状況など、従来の統計時系列予測を上回っている。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳（メタデータ） (2024-02-28T08:34:23Z) - Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。
我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。
GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2024-02-19T08:11:26Z) - Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for
Adaptive Learning [0.0]
新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。
提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
論文 参考訳（メタデータ） (2023-09-12T22:34:34Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳（メタデータ） (2021-07-01T13:13:24Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - Industrial Forecasting with Exponentially Smoothed Recurrent Neural
Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。
指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文 参考訳（メタデータ） (2020-04-09T17:53:49Z)
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。