論文の概要: Koopman Neural Forecaster for Time Series with Temporal Distribution Shifts

• arxiv url: http://arxiv.org/abs/2210.03675v1
• Date: Fri, 7 Oct 2022 16:33:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 13:15:20.710502
• Title: Koopman Neural Forecaster for Time Series with Temporal Distribution Shifts
• Title（参考訳）: 時間分布シフトを有する時系列のkoopmanニューラル予測器
• Authors: Rui Wang, Yihe Dong, Sercan O Arik, Rose Yu
• Abstract要約: 時系列予測のためのクープマン理論に基づく新しいディープシーケンスモデルを提案する。 クープマンニューラルフォアキャスター (KNF) は、線形クープマン空間と選択された測定関数の係数を学習する。 我々は、KNFが複数の時系列データセットにおいて、代替よりも優れた性能を達成できることを実証した。
• 参考スコア（独自算出の注目度）: 26.95428146824254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal distributional shifts, with underlying dynamics changing over time, frequently occur in real-world time series, and pose a fundamental challenge for deep neural networks (DNNs). In this paper, we propose a novel deep sequence model based on the Koopman theory for time series forecasting: Koopman Neural Forecaster (KNF) that leverages DNNs to learn the linear Koopman space and the coefficients of chosen measurement functions. KNF imposes appropriate inductive biases for improved robustness against distributional shifts, employing both a global operator to learn shared characteristics, and a local operator to capture changing dynamics, as well as a specially-designed feedback loop to continuously update the learnt operators over time for rapidly varying behaviors. To the best of our knowledge, this is the first time that Koopman theory is applied to real-world chaotic time series without known governing laws. We demonstrate that KNF achieves the superior performance compared to the alternatives, on multiple time series datasets that are shown to suffer from distribution shifts.
• Abstract（参考訳）: 時間的変動に基づく時間的分散シフトは、実世界の時系列で頻繁に発生し、ディープニューラルネットワーク(DNN)に根本的な課題をもたらす。 本稿では, 時系列予測のためのクープマン理論に基づく新しいディープシークエンスモデルを提案する: 線形クープマン空間と選択された測定関数の係数を学習するためにDNNを利用するクープマンニューラルフォアキャスタ(KNF)。 knfは、分散シフトに対するロバスト性を改善するために適切な帰納的バイアスを課し、共有特性を学習するためのグローバルオペレータと、変化するダイナミクスをキャプチャするローカルオペレータの両方と、急速に変化する行動のために学習演算子を継続的に更新する特別に設計されたフィードバックループを使用する。 我々の知る限りでは、クープマン理論が既知の統治法則のない実世界のカオス時系列に適用されたのはこれが初めてである。 我々は、KNFが、分散シフトに悩まされていることを示す複数の時系列データセットにおいて、代替よりも優れた性能を達成することを示した。

関連論文リスト

• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Time Regularization in Optimal Time Variable Learning [0.4490343701046724]
  近年、arXiv:2204.08528では、ディープニューラルネットワーク(DNN)における最適時変学習が導入されている。 離散力学系における時間的地平線に直接関係する正規化項を導入することにより、この概念を拡張する。 本稿では,Residual Neural Networks(ResNets)に対する適応型プルーニング手法を提案する。 提案した概念を、よく知られたMNISTとFashion MNISTデータセットの分類タスクに適用することによって、その結果が示される。
  論文  参考訳（メタデータ） (2023-06-28T11:27:48Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors [85.22004745984253]
  実世界の時系列は、深い予測モデルにとって大きな課題となる固有の非定常性によって特徴づけられる。 我々は、基礎となる時間変動力学を根本的に考慮する現代のクープマン理論を用いて、非定常時系列に取り組む。 階層的力学を学習する積み重ね可能なブロックからなる新しいクープマン予測器としてクーパを提案する。
  論文  参考訳（メタデータ） (2023-05-30T07:40:27Z)
• Modeling Nonlinear Dynamics in Continuous Time with Inductive Biases on Decay Rates and/or Frequencies [37.795752939016225]
  本稿では, 連続時間における非線形力学のニューラルネットワークモデルを提案し, 減衰率と周波数に帰納バイアスを課すことができる。 ニューラルネットワークを用いて適切なクープマン空間を探索し、不規則にサンプリングされた時系列データを用いて、マルチステップ予測とバックキャストエラーを最小化することでトレーニングする。
  論文  参考訳（メタデータ） (2022-12-26T08:08:43Z)
• TO-FLOW: Efficient Continuous Normalizing Flows with Temporal Optimization adjoint with Moving Speed [12.168241245313164]
  連続正規化フロー (CNFs) は任意の複素分布と等方ガウス分布の間の可逆写像を構成する。 ニューラルODEトレーニングの複雑さが増しているため、大規模なデータセットでは処理できない。 本稿では,ニューラル・オード・トレーニングの前方伝播の進化時間を最適化し,時間的最適化を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:56:41Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

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。