論文の概要: Automated Few-Shot Time Series Forecasting based on Bi-level Programming
- arxiv url: http://arxiv.org/abs/2203.03328v1
- Date: Mon, 7 Mar 2022 12:15:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 18:40:11.445928
- Title: Automated Few-Shot Time Series Forecasting based on Bi-level Programming
- Title(参考訳): バイレベルプログラミングに基づくFew-Shot時系列自動予測
- Authors: Jiangjiao Xu, Ke Li
- Abstract要約: 本稿では,バイレベルプログラミングの観点から,数発の学習パイプラインの最適設計を自動化するBiLO-Auto-TSF/MLフレームワークを開発する。
提案したBiLO-Auto-TSF/MLフレームワークの有効性を総合的に検証した。
- 参考スコア(独自算出の注目度): 5.760976250387322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New micro-grid design with renewable energy sources and battery storage
systems can help improve greenhouse gas emissions and reduce the operational
cost. To provide an effective short-/long-term forecasting of both energy
generation and load demand, time series predictive modeling has been one of the
key tools to guide the optimal decision-making for planning and operation. One
of the critical challenges of time series renewable energy forecasting is the
lack of historical data to train an adequate predictive model. Moreover, the
performance of a machine learning model is sensitive to the choice of its
corresponding hyperparameters. Bearing these considerations in mind, this paper
develops a BiLO-Auto-TSF/ML framework that automates the optimal design of a
few-shot learning pipeline from a bi-level programming perspective.
Specifically, the lower-level meta-learning helps boost the base-learner to
mitigate the small data challenge while the hyperparameter optimization at the
upper level proactively searches for the optimal hyperparameter configurations
for both base- and meta-learners. Note that the proposed framework is so
general that any off-the-shelf machine learning method can be used in a plug-in
manner. Comprehensive experiments fully demonstrate the effectiveness of our
proposed BiLO-Auto-TSF/ML framework to search for a high-performance few-shot
learning pipeline for various energy sources.
- Abstract(参考訳): 再生可能エネルギー源と蓄電池システムを備えた新しいマイクログリッド設計は、温室効果ガス排出の改善と運用コストの削減に役立つ。
エネルギー生成と負荷需要の双方を効果的に短期・長期に予測する上で、時系列予測モデリングが計画及び運用の最適な意思決定を導く重要なツールの1つである。
時系列再生可能エネルギー予測の重要な課題の1つは、適切な予測モデルを訓練するための履歴データがないことである。
さらに、機械学習モデルの性能は、対応するハイパーパラメータの選択に敏感である。
これらのことを念頭に置いて,バイレベルプログラミングの観点から数発の学習パイプラインの最適設計を自動化するBiLO-Auto-TSF/MLフレームワークを開発した。
特に、低レベルメタラーニングは、低レベルのハイパーパラメータ最適化が、ベースとメタリーナーの両方の最適なハイパーパラメータ構成を積極的に探索する一方で、小さなデータ課題を軽減するためのベースリーナーの促進に役立ちます。
提案フレームワークは汎用的であるため,既製の機械学習手法をプラグイン方式で使用することができる。
提案するBiLO-Auto-TSF/MLフレームワークの有効性を総合的に検証し,各種エネルギー源を対象とした高性能な複数ショット学習パイプラインを提案する。
関連論文リスト
- Optimization Hyper-parameter Laws for Large Language Models [56.322914260197734]
ハイパーパラメータとトレーニング結果の関係をキャプチャするフレームワークであるOps-Lawsを提案する。
さまざまなモデルサイズとデータスケールにわたる検証は、Opt-Lawsのトレーニング損失を正確に予測する能力を示しています。
このアプローチは、全体的なモデル性能を高めながら、計算コストを大幅に削減する。
論文 参考訳(メタデータ) (2024-09-07T09:37:19Z) - ETHER: Efficient Finetuning of Large-Scale Models with Hyperplane Reflections [59.839926875976225]
本稿では,HypErplane Reflectionsによる高効率微調整を行うETHER変換ファミリを提案する。
特に,既存のPEFT法と極めて少ないパラメータで一致または性能を向上するEtheRと緩和ETHER+を導入する。
論文 参考訳(メタデータ) (2024-05-30T17:26:02Z) - When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-16T17:13:08Z) - auto-sktime: Automated Time Series Forecasting [18.640815949661903]
本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。
提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。
64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
論文 参考訳(メタデータ) (2023-12-13T21:34:30Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Multi-step Planning for Automated Hyperparameter Optimization with
OptFormer [29.358188163138173]
私たちは最近提案されたOpsFormerモデルに基づいて、ロールアウトによるプランニングをシンプルかつ効率的にします。
我々は、OptFormerモデル上で多段階計画を行うための様々な戦略を広範囲に探索し、非筋電図HPO戦略の構築におけるその可能性を強調する。
論文 参考訳(メタデータ) (2022-10-10T19:07:59Z) - AI-based Optimal scheduling of Renewable AC Microgrids with
bidirectional LSTM-Based Wind Power Forecasting [5.039813366558306]
本稿では, エネルギー貯蔵装置, 風力タービン, マイクロタービンを考慮したマイクログリッドの最適スケジューリング手法を提案する。
短期風力予測問題に対処するために,双方向長期記憶に基づくディープラーニングモデルを提案する。
その結果,マイクログリッドの最適スケジューリングにおいて,提案手法の有効性と効率性を示した。
論文 参考訳(メタデータ) (2022-07-08T14:40:31Z) - Real-time Forecast Models for TBM Load Parameters Based on Machine
Learning Methods [6.247628933072029]
本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。
モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
論文 参考訳(メタデータ) (2021-04-12T07:31:39Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - Particle Swarm Optimized Federated Learning For Industrial IoT and Smart
City Services [9.693848515371268]
本研究では,局所機械学習モデルに対するハイパーパラメータ設定を最適化するために,PSOに基づく手法を提案する。
2つのケーススタディを用いて提案手法の性能評価を行った。
論文 参考訳(メタデータ) (2020-09-05T16:20:47Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。