論文の概要: Time Series Forecasting Models Copy the Past: How to Mitigate

• arxiv url: http://arxiv.org/abs/2207.13441v1
• Date: Wed, 27 Jul 2022 10:39:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-28 12:57:49.167548
• Title: Time Series Forecasting Models Copy the Past: How to Mitigate
• Title（参考訳）: 時系列予測モデルが過去をコピー:どのように緩和するか
• Authors: Chrysoula Kosma, Giannis Nikolentzos, Nancy Xu, Michalis Vazirgiannis
• Abstract要約: ノイズや不確実性の存在下では、ニューラルネットワークモデルは時系列の最後の観測値を複製する傾向がある。 本稿では、以前に見られた値の複製を罰する正規化項を提案する。 以上の結果から, 正規化という用語は, 上記の問題をある程度緩和し, より堅牢なモデルがもたらされることが示唆された。
• 参考スコア（独自算出の注目度）: 24.397660153755997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting is at the core of important application domains posing significant challenges to machine learning algorithms. Recently neural network architectures have been widely applied to the problem of time series forecasting. Most of these models are trained by minimizing a loss function that measures predictions' deviation from the real values. Typical loss functions include mean squared error (MSE) and mean absolute error (MAE). In the presence of noise and uncertainty, neural network models tend to replicate the last observed value of the time series, thus limiting their applicability to real-world data. In this paper, we provide a formal definition of the above problem and we also give some examples of forecasts where the problem is observed. We also propose a regularization term penalizing the replication of previously seen values. We evaluate the proposed regularization term both on synthetic and real-world datasets. Our results indicate that the regularization term mitigates to some extent the aforementioned problem and gives rise to more robust models.
• Abstract（参考訳）: 時系列予測は、機械学習アルゴリズムに重大な課題をもたらす重要なアプリケーションドメインの中核にある。 近年,時系列予測問題にニューラルネットワークアーキテクチャが広く応用されている。 これらのモデルのほとんどは、実際の値から予測のずれを測定する損失関数を最小化することによって訓練される。 典型的な損失関数には平均二乗誤差(MSE)と平均絶対誤差(MAE)がある。 ノイズや不確実性が存在する場合、ニューラルネットワークモデルは時系列の最後に観測された値を再現する傾向があるため、実際のデータへの適用性が制限される。 本稿では,上記の問題を形式的に定義し,問題点が観測される予測の例を示す。 また,既見値の複製をペナライズする正規化項を提案する。 提案する正規化項を合成データと実世界のデータセットの両方で評価する。 以上の結果から,正規化項は上記の問題をある程度緩和し,より堅牢なモデルを生み出すことが示唆された。

関連論文リスト

• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• 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)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
  時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。 本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。 時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
  論文  参考訳（メタデータ） (2023-07-13T13:16:01Z)
• WaveBound: Dynamic Error Bounds for Stable Time Series Forecasting [30.692056599222926]
  時系列予測は、現実の応用において高い実用性のために重要な課題となっている。 最近のディープラーニングベースのアプローチは、時系列予測において顕著な成功を収めている。 深層ネットワークはいまだに不安定なトレーニングと過度な適合に悩まされている。
  論文  参考訳（メタデータ） (2022-10-25T19:58:02Z)
• Residual Correction in Real-Time Traffic Forecasting [29.93640276427495]
  ディープラーニングベースのトラフィック予測モデルは、主にイベント状況において、特定のパターンで失敗する。 本稿では,交通予測のための残差推定モジュールResCALを紹介する。 我々のResCALは、過去のエラーとグラフ信号を用いて将来のエラーを推定することにより、既存のモデルの予測をリアルタイムで調整する。
  論文  参考訳（メタデータ） (2022-09-12T16:57:25Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。