論文の概要: AutoTS: Automatic Time Series Forecasting Model Design Based on
Two-Stage Pruning
- arxiv url: http://arxiv.org/abs/2203.14169v1
- Date: Sat, 26 Mar 2022 23:26:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 16:04:34.812376
- Title: AutoTS: Automatic Time Series Forecasting Model Design Based on
Two-Stage Pruning
- Title（参考訳）: autots: 2段階プルーニングに基づく時系列予測モデルの自動設計
- Authors: Chunnan Wang, Xingyu Chen, Chengyue Wu, Hongzhi Wang
- Abstract要約: 時系列データシナリオに適した予測モデルを効率的に設計することを目的とした自動時系列予測(TSF)モデル設計は、緊急に解決すべき新しい研究トピックである。
本稿では,既存の設計スキルと設計効率のよい探索手法を活用して,この問題を効果的に解決するAutoTSアルゴリズムを提案する。
既存のニューラルアーキテクチャ検索アルゴリズムよりも効率的で、手作業で設計したものよりも迅速に強力なTSFモデルを設計することができる。
- 参考スコア（独自算出の注目度）: 15.924327320619728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic Time Series Forecasting (TSF) model design which aims to help users
to efficiently design suitable forecasting model for the given time series data
scenarios, is a novel research topic to be urgently solved. In this paper, we
propose AutoTS algorithm trying to utilize the existing design skills and
design efficient search methods to effectively solve this problem. In AutoTS,
we extract effective design experience from the existing TSF works. We allow
the effective combination of design experience from different sources, so as to
create an effective search space containing a variety of TSF models to support
different TSF tasks. Considering the huge search space, in AutoTS, we propose a
two-stage pruning strategy to reduce the search difficulty and improve the
search efficiency. In addition, in AutoTS, we introduce the knowledge graph to
reveal associations between module options. We make full use of these
relational information to learn higher-level features of each module option, so
as to further improve the search quality. Extensive experimental results show
that AutoTS is well-suited for the TSF area. It is more efficient than the
existing neural architecture search algorithms, and can quickly design powerful
TSF model better than the manually designed ones.
- Abstract（参考訳）: 時系列データシナリオに適した予測モデルを効率的に設計することを目的とした自動時系列予測(TSF)モデル設計は、緊急に解決すべき新しい研究トピックである。
本稿では,既存の設計スキルと設計効率のよい探索手法を活用して,この問題を効果的に解決するAutoTSアルゴリズムを提案する。
AutoTSでは,既存のTSFワークから効果的な設計経験を抽出する。
我々は、様々なTSFモデルを含む効率的な検索空間を作成し、異なるTSFタスクをサポートするために、異なるソースから設計経験を効果的に組み合わせることを可能にした。
検索の難易度を低減し,検索効率を向上させるため,autotsでは2段階のプルーニング戦略を提案する。
さらに,AutoTSでは,モジュール間の関連性を明らかにするための知識グラフを導入する。
これらの関係情報をフル活用して,各モジュールオプションの高レベルな特徴を学習し,検索品質をさらに向上させる。
実験の結果,AutoTSはTSF領域に適していることがわかった。
既存のニューラルアーキテクチャ検索アルゴリズムよりも効率的で、手作業で設計したものよりも迅速に強力なTSFモデルを設計することができる。
関連論文リスト
- Towards Automated Model Design on Recommender Systems [21.421326082345136]
重量共有を利用して豊富な解空間を探索する新しいパラダイムを導入する。
共同設計の観点からは,2倍FLOPs効率,1.8倍エネルギー効率,1.5倍の性能向上を実現している。
論文 参考訳（メタデータ） (2024-11-12T06:03:47Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph
Neural Networks [75.11008617118908]
AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。
本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
論文 参考訳（メタデータ） (2023-03-14T07:23:16Z) - Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。
FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。
FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
論文 参考訳（メタデータ） (2022-10-21T21:25:59Z) - Efficient Automated Deep Learning for Time Series Forecasting [42.47842694670572]
本稿では,時系列予測のために,ニューラルネットワークとデータ処理パイプライン全体のハイパーパラメータを協調的に最適化する効率的な手法を提案する。
一般的なNASサーチスペースとは対照的に,我々は様々な最先端アーキテクチャをカバーする新しいニューラルアーキテクチャサーチスペースを設計した。
異なる予測データセット上で効率の良い多重忠実度最適化を実現するために,様々な予算タイプを実証的に検討する。
論文 参考訳（メタデータ） (2022-05-11T14:03:25Z) - SHiFT: An Efficient, Flexible Search Engine for Transfer Learning [16.289623977712086]
トランスファーラーニングは、スクラッチからトレーニングモデルのデータと計算効率の代替品と見なすことができる。
本稿では,トランスファー学習のための第1のダウンストリームタスク認識,フレキシブル,効率的なモデル検索エンジンであるSHiFTを提案する。
論文 参考訳（メタデータ） (2022-04-04T13:16:46Z) - Searching for Two-Stream Models in Multivariate Space for Video
Recognition [80.25356538056839]
本稿では,巨大空間における2ストリーム映像モデルを効率的に検索できる実用的ニューラルアーキテクチャ探索手法を提案する。
設計空間において,性能が著しく向上した2ストリームモデルを自動的に発見できることを実証する。
論文 参考訳（メタデータ） (2021-08-30T02:03:28Z) - AutoRC: Improving BERT Based Relation Classification Models via
Architecture Search [50.349407334562045]
BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。
最適なアーキテクチャとは何かという合意は得られない。
BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
論文 参考訳（メタデータ） (2020-09-22T16:55:49Z) - Deep-n-Cheap: An Automated Search Framework for Low Complexity Deep
Learning [3.479254848034425]
私たちはディープラーニングモデルを探すためのオープンソースのAutoMLフレームワークであるDeep-n-Cheapを紹介します。
私たちのフレームワークは、ベンチマークとカスタムデータセットの両方へのデプロイをターゲットとしています。
Deep-n-Cheapには、トレーニング時間やパラメータ数とパフォーマンスをトレードオフする、ユーザ管理可能な複雑性ペナルティが含まれている。
論文 参考訳（メタデータ） (2020-03-27T13:00:21Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳（メタデータ） (2020-03-25T06:53:54Z)
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。