論文の概要: TreeDRNet:A Robust Deep Model for Long Term Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2206.12106v1
- Date: Fri, 24 Jun 2022 06:53:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-27 13:55:55.476143
- Title: TreeDRNet:A Robust Deep Model for Long Term Time Series Forecasting
- Title（参考訳）: treedrnet:長期時系列予測のためのロバストな深層モデル
- Authors: Tian Zhou, Jianqing Zhu, Xue Wang, Ziqing Ma, Qingsong Wen, Liang Sun,
Rong Jin
- Abstract要約: 我々は、より効果的な長期予測のために、TreeDRNetと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
頑健な回帰にインスパイアされた2つの残差リンク構造を導入し、予測をより堅牢にする。
我々の実証研究は、TreeDRNetが最先端の手法よりもはるかに効果的であることを示している。
- 参考スコア（独自算出の注目度）: 24.832101846728925
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Various deep learning models, especially some latest Transformer-based
approaches, have greatly improved the state-of-art performance for long-term
time series forecasting.However, those transformer-based models suffer a severe
deterioration performance with prolonged input length, which prohibits them
from using extended historical info.Moreover, these methods tend to handle
complex examples in long-term forecasting with increased model complexity,
which often leads to a significant increase in computation and less robustness
in performance(e.g., overfitting). We propose a novel neural network
architecture, called TreeDRNet, for more effective long-term forecasting.
Inspired by robust regression, we introduce doubly residual link structure to
make prediction more robust.Built upon Kolmogorov-Arnold representation
theorem, we explicitly introduce feature selection, model ensemble, and a tree
structure to further utilize the extended input sequence, which improves the
robustness and representation power of TreeDRNet. Unlike previous deep models
for sequential forecasting work, TreeDRNet is built entirely on multilayer
perceptron and thus enjoys high computational efficiency. Our extensive
empirical studies show that TreeDRNet is significantly more effective than
state-of-the-art methods, reducing prediction errors by 20% to 40% for
multivariate time series. In particular, TreeDRNet is over 10 times more
efficient than transformer-based methods. The code will be released soon.
- Abstract（参考訳）: Various deep learning models, especially some latest Transformer-based approaches, have greatly improved the state-of-art performance for long-term time series forecasting.However, those transformer-based models suffer a severe deterioration performance with prolonged input length, which prohibits them from using extended historical info.Moreover, these methods tend to handle complex examples in long-term forecasting with increased model complexity, which often leads to a significant increase in computation and less robustness in performance(e.g., overfitting).
我々は、より効果的な長期予測のための新しいニューラルネットワークアーキテクチャ、TreeDRNetを提案する。
ロバスト回帰に触発され,予測をより堅牢にするために2倍の残差リンク構造を導入する。kolmogorov-arnold表現定理に基づいて,treedrnetのロバスト性と表現力を向上させる拡張入力シーケンスをさらに活用するために,特徴選択,モデルアンサンブル,ツリー構造を明示的に導入する。
逐次予測作業のための従来のディープモデルとは異なり、TreeDRNetは完全に多層パーセプトロン上に構築されており、計算効率が高い。
大規模実験の結果,treedrnetは最先端の手法よりも有意に有効であり,多変量時系列の予測誤差を20%から40%削減できることがわかった。
特に、TreeDRNetはトランスフォーマーベースの手法の10倍以上の効率である。
コードはまもなくリリースされる。
関連論文リスト
- Analysing the Behaviour of Tree-Based Neural Networks in Regression Tasks [3.912345988363511]
本稿では、回帰課題の文脈において、木に基づくニューラルネットワークモデルの振る舞いを復号化するための取り組みを行う。
我々は,ツリーベースのCNN,Code2Vec,Transformerベースのメソッドといった確立されたモデルの応用を拡張し,ASTに解析することでソースコードの実行時間を予測する。
提案するデュアルトランスは,多様なデータセットにまたがる顕著な適応性とロバストな性能を示す。
論文 参考訳（メタデータ） (2024-06-17T11:47:14Z) - Forecasting with Hyper-Trees [50.72190208487953]
ハイパートレーは、ターゲット時系列モデルのパラメータを学習するために設計されている。
対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題に対処する。
論文 参考訳（メタデータ） (2024-05-13T15:22:15Z) - Explainable Adaptive Tree-based Model Selection for Time Series
Forecasting [1.0515439489916734]
木に基づくモデルは、時系列予測など、様々なタスクにうまく適用されている。
多くは過度に適合する問題に悩まされており、現実の意思決定における応用を制限している。
そこで本研究では,時系列予測タスクにおけるTreeSHAP説明可能性を用いた木モデルオンライン選択手法を提案する。
論文 参考訳（メタデータ） (2024-01-02T09:40:02Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series
Forecasting [7.206754802573034]
本稿では,TARモデルと回帰木との密接な関係について検討する。
本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。
本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
論文 参考訳（メタデータ） (2022-11-16T04:30:42Z) - Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。
木の根から葉までの経路は、個々の将来の軌跡を表す。
ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文 参考訳（メタデータ） (2022-05-26T12:18:44Z) - EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。
この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。
EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2022-02-22T08:16:58Z) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-02-15T17:19:44Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-01T09:52:31Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳（メタデータ） (2020-12-29T18:05:05Z) - Multivariate Boosted Trees and Applications to Forecasting and Control [0.0]
勾配強化木は、特定の損失関数を最小限に抑えるために、逐次モデルフィッティングと勾配降下を利用する非パラメトリック回帰木である。
本稿では,多変量隆起木を適応する計算効率のよいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-08T19:26:59Z)
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。