Fugu-MT 論文翻訳(概要): Time Series Prediction under Distribution Shift using Differentiable Forgetting

論文の概要: Time Series Prediction under Distribution Shift using Differentiable Forgetting

arxiv url: http://arxiv.org/abs/2207.11486v1
Date: Sat, 23 Jul 2022 10:32:37 GMT
ステータス: 処理完了
システム内更新日: 2022-07-26 15:54:22.509020
Title: Time Series Prediction under Distribution Shift using Differentiable Forgetting
Title（参考訳）: 微分予測を用いた分布シフト時の時系列予測
Authors: Stefanos Bennett, Jase Clarkson
Abstract要約: 我々は,重み付き経験的リスク最小化問題として,分布シフトの下での時系列予測について検討した。経験的リスクにおける過去の観測の重み付けは、忘れる機構によって決定される。そこで本研究では,忘れる機構のパラメータに対する勾配に基づく学習手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series prediction is often complicated by distribution shift which demands adaptive models to accommodate time-varying distributions. We frame time series prediction under distribution shift as a weighted empirical risk minimisation problem. The weighting of previous observations in the empirical risk is determined by a forgetting mechanism which controls the trade-off between the relevancy and effective sample size that is used for the estimation of the predictive model. In contrast to previous work, we propose a gradient-based learning method for the parameters of the forgetting mechanism. This speeds up optimisation and therefore allows more expressive forgetting mechanisms.
Abstract（参考訳）: 時系列予測は、時変分布に対応する適応モデルを必要とする分布シフトによってしばしば複雑になる。分布シフト下での時系列予測を重み付き経験的リスク最小化問題として捉える。経験的リスクにおける過去の観測の重み付けは、予測モデルの推定に使用される関連性と有効サンプルサイズとの間のトレードオフを制御する忘れ機構によって決定される。従来の研究とは対照的に,忘れる機構のパラメータに対する勾配に基づく学習法を提案する。これにより最適化がスピードアップし、より表現豊かに忘れるメカニズムが可能になる。

関連論文リスト

Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
論文参考訳（メタデータ） (2023-07-18T16:22:50Z)
Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
論文参考訳（メタデータ） (2023-03-14T07:25:44Z)
Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-11T15:20:54Z)
Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [50.41984119504716]
本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
論文参考訳（メタデータ） (2023-01-29T11:53:55Z)
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting [16.04029885574568]
時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
論文参考訳（メタデータ） (2022-12-10T22:50:00Z)
Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting [41.206310481507565]
本稿では,時間経過に伴う動的分布依存をモデル化するための時間的条件変動自動符号化(TCVAE)を提案する。 TCVAEは、依存関係を時間的条件分布として推論し、潜伏変数を活用する。現状のMTS予測ベースラインに対して,TCVAEの強靭性と有効性を示す。
論文参考訳（メタデータ） (2022-09-01T10:06:22Z)
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)
Short-term prediction of Time Series based on bounding techniques [0.0]
本稿では,新しい非パラメトリック手法を用いて時系列フレームワークの予測問題を再考する。この革新は、予測誤差の上限を得るために、決定論的および決定論的確率的仮定の両方を考慮することである。提案する予測器が予測スキームにおいて適切な結果を得ることができ、古典的非パラメトリック法に対する興味深い代替手段であることを示すためのベンチマークを含む。
論文参考訳（メタデータ） (2021-01-26T11:27:36Z)

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。