論文の概要: An Interpretable Probabilistic Autoregressive Neural Network Model for
Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2204.09640v1
- Date: Fri, 1 Apr 2022 17:57:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-24 23:08:27.037476
- Title: An Interpretable Probabilistic Autoregressive Neural Network Model for
Time Series Forecasting
- Title（参考訳）: 時系列予測のための解釈可能な確率的自己回帰ニューラルネットワークモデル
- Authors: Madhurima Panja, Uttam Kumar, Tanujit Chakraborty
- Abstract要約: 現実の予測問題では、古典的な予測手法とスケーラブルなニューラルネットワークモデルの間のギャップを埋めるためにハイブリッドソリューションが必要である。
本稿では,多種多様な不規則時系列データを処理可能な,説明可能なスケーラブルな「ホワイトボックス」フレームワークのための,解釈可能な確率的自己回帰型ネットワークモデルを提案する。
提案したPARNNモデルは,短期・長期予測の最先端モデルと比較して,12のデータセット中10の予測精度を有意に向上することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting time series data presents an emerging field of data science that
has its application ranging from stock price and exchange rate prediction to
the early prediction of epidemics. Numerous statistical and machine learning
methods have been proposed in the last five decades with the demand for
generating high-quality and reliable forecasts. However, in real-life
prediction problems, situations exist in which a model based on one of the
above paradigms is preferable, and therefore, hybrid solutions are needed to
bridge the gap between classical forecasting methods and scalable neural
network models. We introduce an interpretable probabilistic autoregressive
neural network model for an explainable, scalable, and "white box-like"
framework that can handle a wide variety of irregular time series data (e.g.,
nonlinearity and nonstationarity). Sufficient conditions for asymptotic
stationarity and geometric ergodicity are obtained by considering the
asymptotic behavior of the associated Markov chain. During computational
experiments, PARNN outperforms standard statistical, machine learning, and deep
learning models on a diverse collection of real-world datasets coming from
economics, finance, and epidemiology, to mention a few. Furthermore, the
proposed PARNN model improves forecast accuracy significantly for 10 out of 12
datasets compared to state-of-the-art models for short to long-term forecasts.
- Abstract（参考訳）: 時系列データの予測は、株価や為替レートの予測から流行の早期予測に至るまで、データサイエンスの新たな分野を示す。
過去50年間に多くの統計学と機械学習の手法が提案され、高品質で信頼性の高い予測が求められている。
しかし,実生活予測問題においては,上記のパラダイムの1つに基づくモデルが望ましい状況が存在するため,従来の予測手法とスケーラブルなニューラルネットワークモデルとのギャップを埋めるには,ハイブリッドソリューションが必要となる。
本稿では,多種多様な不規則時系列データ(非線形性や非定常性など)を扱える,説明可能な,スケーラブルで,かつ“ホワイトボックス的”なフレームワークのための,解釈可能な確率的自己回帰ニューラルネットワークモデルを提案する。
関連するマルコフ鎖の漸近挙動を考慮し、漸近定常性と幾何エルゴード性の十分条件を求める。
計算実験中、PARNNは、経済学、金融学、疫学から来る現実世界のデータセットの多様なコレクションにおいて、標準的な統計学、機械学習、ディープラーニングモデルより優れています。
さらに,提案するparnnモデルでは,短期予測と長期予測において,12のデータセットのうち10の予測精度が,最先端モデルと比較して有意に向上する。
関連論文リスト
- From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳（メタデータ） (2023-11-27T21:37:50Z) - Amortised Inference in Bayesian Neural Networks [0.0]
Amortized Pseudo-Observation Variational Inference Bayesian Neural Network (APOVI-BNN)を紹介する。
補正された推論は、従来の変分推論によって得られたものと類似または良好な品質であることが示される。
次に、APOVI-BNNをニューラルプロセスファミリーの新たなメンバーと見なす方法について論じる。
論文 参考訳（メタデータ） (2023-09-06T14:02:33Z) - 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) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated
Failure Time Models [11.171712535005357]
本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。
我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
論文 参考訳（メタデータ） (2021-07-26T14:55:02Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳（メタデータ） (2021-06-10T21:49:23Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - 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) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series [0.2793095554369281]
本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
論文 参考訳（メタデータ） (2020-03-27T00:53:11Z)
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。