論文の概要: Multi-Variate Time Series Forecasting on Variable Subsets
- arxiv url: http://arxiv.org/abs/2206.12626v1
- Date: Sat, 25 Jun 2022 11:31:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:59:01.922422
- Title: Multi-Variate Time Series Forecasting on Variable Subsets
- Title(参考訳): 可変サブセット上の多変量時系列予測
- Authors: Jatin Chauhan, Aravindan Raghuveer, Rishi Saket, Jay Nandy, Balaraman
Ravindran
- Abstract要約: 長期データ損失や、列車/テスト間の低リソース領域シフトのため、推論中に変数が欠落する。
本稿では,既存の予測モデル上で適用可能な非パラメトリックラッパー手法を提案する。
本手法は,元の変数の15%しか存在しない場合でも,モデルの95%に近い性能を回復可能であることを示す。
- 参考スコア(独自算出の注目度): 18.883419091780265
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We formulate a new inference task in the domain of multivariate time series
forecasting (MTSF), called Variable Subset Forecast (VSF), where only a small
subset of the variables is available during inference. Variables are absent
during inference because of long-term data loss (eg. sensor failures) or high
-> low-resource domain shift between train / test. To the best of our
knowledge, robustness of MTSF models in presence of such failures, has not been
studied in the literature. Through extensive evaluation, we first show that the
performance of state of the art methods degrade significantly in the VSF
setting. We propose a non-parametric, wrapper technique that can be applied on
top any existing forecast models. Through systematic experiments across 4
datasets and 5 forecast models, we show that our technique is able to recover
close to 95\% performance of the models even when only 15\% of the original
variables are present.
- Abstract(参考訳): 多変量時系列予測(MTSF)の領域における新しい推論タスクを定式化し、変数の小さなサブセットのみを推論時に利用できる可変サブセット予測(VSF)と呼ぶ。
長期データ損失(センサー障害など)や-> 列車/テスト間の低リソース領域シフトのため、推論中に変数が欠落している。
我々の知る限りでは、そのような失敗が存在する場合のMTSFモデルの堅牢性は文献では研究されていない。
広範な評価を通して,まずvsf設定において,art法の性能が著しく低下することを示す。
本稿では,既存の予測モデル上で適用可能な非パラメトリックラッパー手法を提案する。
4つのデータセットと5つの予測モデルにまたがる系統的な実験により,本手法は,元の変数の15%しか存在しない場合でも,モデルの95%近くの性能を回復できることを示した。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Test-time Adaptive Vision-and-Language Navigation [75.50521064106732]
視覚・言語ナビゲーションのためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。
高速更新フェーズでは、最近のマルチステップナビゲーションプロセスで発生する勾配を、さまざまなレベルの一貫性を持つコンポーネントに分解する。
遅い更新フェーズでは、歴史的に記録されたパラメータを収集し、同様の分解蓄積分析を行い、モデルを安定状態に戻す。
論文 参考訳(メタデータ) (2023-11-22T07:47:39Z) - Balancing Computational Efficiency and Forecast Error in Machine
Learning-based Time-Series Forecasting: Insights from Live Experiments on
Meteorological Nowcasting [0.0]
本稿では,気象情報を用いた計算コストと予測誤差の関係について述べる。
5日間のライブ実験では、4000のデータソースがトレーニングのためにストリームされ、1時間あたり144モデルが参照された。
その結果, 分散ホライゾンを用いることで計算使用量を50%以上削減し, 誤差は0~15%増加した。
論文 参考訳(メタデータ) (2023-09-26T19:10:00Z) - Diverse Data Augmentation with Diffusions for Effective Test-time Prompt
Tuning [73.75282761503581]
DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。
DiffTPTがゼロショット精度を平均5.13%向上することを示す。
論文 参考訳(メタデータ) (2023-08-11T09:36:31Z) - Predict, Refine, Synthesize: Self-Guiding Diffusion Models for
Probabilistic Time Series Forecasting [10.491628898499684]
時系列の非条件学習拡散モデルであるTSDiffを提案する。
提案する自己誘導機構により、補助的ネットワークやトレーニング手順の変更を必要とせず、推論中に下流タスクに対してTSDiffを条件付けることができる。
本研究では,予測,改良,合成データ生成という3つの時系列タスクにおいて,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-21T10:56:36Z) - Mitigating Cold-start Forecasting using Cold Causal Demand Forecasting
Model [10.132124789018262]
我々は、因果推論とディープラーニングモデルを統合するCDF-cold(Cold Causal Demand Forecasting)フレームワークを紹介する。
実験により,CDF-coldフレームワークは,多変量時系列データの将来値を予測する上で,最先端の予測モデルより優れていることが示された。
論文 参考訳(メタデータ) (2023-06-15T16:36:34Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - A Transformer-based Framework for Multivariate Time Series
Representation Learning [12.12960851087613]
事前訓練されたモデルは、回帰や分類、予測、値計算の欠如といった下流タスクに使用することができる。
提案手法は,これまでに提示された多変量時系列の教師なし学習を用いた最も成功した手法であることを示す。
我々は、教師なしのトランスフォーマーモデルの事前学習が、完全に教師付き学習よりも大きなパフォーマンス上のメリットをもたらすことを実証した。
論文 参考訳(メタデータ) (2020-10-06T15:14:46Z) - Deep Switching Auto-Regressive Factorization:Application to Time Series
Forecasting [16.934920617960085]
DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。
DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。
本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
論文 参考訳(メタデータ) (2020-09-10T20:15:59Z)
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。