論文の概要: Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2211.16126v1
• Date: Tue, 29 Nov 2022 12:03:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 15:38:45.733789
• Title: Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting
• Title（参考訳）: 時系列相関予測のためのジョイントニューラルアーキテクチャとハイパーパラメータ探索
• Authors: Xinle Wu, Dalin Zhang, Miao Zhang, Chenjuan Guo, Bin Yang, Christian S. Jensen
• Abstract要約: CTS予測の成功の鍵は、時系列の時間的ダイナミクスと時系列間の空間的相関を明らかにすることである。 ディープラーニングベースのソリューションは、これらの側面を識別する上で、素晴らしいパフォーマンスを示します。 我々は、効率的なCTS予測モデルを自動的に考案する、共同でスケーラブルなフレームワークであるSEARCHを提案する。
• 参考スコア（独自算出の注目度）: 40.98168931058165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensors in cyber-physical systems often capture interconnected processes and thus emit correlated time series (CTS), the forecasting of which enables important applications. The key to successful CTS forecasting is to uncover the temporal dynamics of time series and the spatial correlations among time series. Deep learning-based solutions exhibit impressive performance at discerning these aspects. In particular, automated CTS forecasting, where the design of an optimal deep learning architecture is automated, enables forecasting accuracy that surpasses what has been achieved by manual approaches. However, automated CTS solutions remain in their infancy and are only able to find optimal architectures for predefined hyperparameters and scale poorly to large-scale CTS. To overcome these limitations, we propose SEARCH, a joint, scalable framework, to automatically devise effective CTS forecasting models. Specifically, we encode each candidate architecture and accompanying hyperparameters into a joint graph representation. We introduce an efficient Architecture-Hyperparameter Comparator (AHC) to rank all architecture-hyperparameter pairs, and we then further evaluate the top-ranked pairs to select a final result. Extensive experiments on six benchmark datasets demonstrate that SEARCH not only eliminates manual efforts but also is capable of better performance than manually designed and existing automatically designed CTS models. In addition, it shows excellent scalability to large CTS.
• Abstract（参考訳）: サイバー物理システムのセンサーは、しばしば相互接続されたプロセスをキャプチャし、相関時系列(CTS)を出力する。 CTS予測の成功の鍵は、時系列の時間的ダイナミクスと時系列間の空間的相関を明らかにすることである。 ディープラーニングベースのソリューションは、これらの側面を認識する上で、素晴らしいパフォーマンスを示します。 特に、最適なディープラーニングアーキテクチャの設計が自動化される自動cts予測は、手動アプローチによって達成されたものを超える精度を予測することができる。 しかし、自動化されたCTSソリューションは、まだ初期段階にあり、事前定義されたハイパーパラメーターのための最適なアーキテクチャを見つけることができ、大規模CTSにはあまりスケールしない。 これらの制約を克服するため,我々は,効率的なcts予測モデルを自動的に考案する統合型スケーラブルなフレームワークである検索を提案する。 具体的には,各候補アーキテクチャとそれに伴うハイパーパラメータを結合グラフ表現に符号化する。 アーキテクチャ-ハイパーパラメータ比較器(AHC)を導入して,全てのアーキテクチャ-ハイパーパラメータのペアをランク付けし,さらに上位のペアを評価して最終結果を選択する。 6つのベンチマークデータセットの大規模な実験により、SEARCHは手動の労力を排除しただけでなく、手動設計や既存の自動設計のCTSモデルよりも優れたパフォーマンスを実現している。 さらに、大規模なCTSに対して優れたスケーラビリティを示している。

関連論文リスト

• ECRTime: Ensemble Integration of Classification and Retrieval for Time Series Classification [6.058649579669944]
  112のUCRデータセットに対する実験結果から、ECRは既存のディープラーニングベースの手法と比較して最先端(ソータ)であることが示された。 ECRTimeは、現在最も正確なディープラーニング分類器であるInceptionTimeを精度で上回っている。
  論文  参考訳（メタデータ） (2024-07-20T03:17:23Z)
• Time Series Representation Models [2.724184832774005]
  時系列解析は、そのスパース特性、高次元性、一貫性のないデータ品質のため、依然として大きな課題である。 近年のトランス技術の発展により,予測や計算能力が向上している。 イントロスペクションに基づく時系列解析のための新しいアーキテクチャ概念を提案する。
  論文  参考訳（メタデータ） (2024-05-28T13:25:31Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• LightCTS: A Lightweight Framework for Correlated Time Series Forecasting [20.530759059714594]
  関連時系列予測(CTS)は,交通管理やサーバ負荷制御など,多くの実用アプリケーションにおいて重要な役割を担っている。 CTS予測の精度を向上させるために、多くのディープラーニングモデルが提案されている。 この研究は、リソース制約のあるデバイスにデプロイしながら精度を保ちながら、はるかに効率的で軽量なモデルを実現することを目的としている。
  論文  参考訳（メタデータ） (2023-02-23T12:46:11Z)
• Efficient Automated Deep Learning for Time Series Forecasting [42.47842694670572]
  本稿では,時系列予測のために,ニューラルネットワークとデータ処理パイプライン全体のハイパーパラメータを協調的に最適化する効率的な手法を提案する。 一般的なNASサーチスペースとは対照的に,我々は様々な最先端アーキテクチャをカバーする新しいニューラルアーキテクチャサーチスペースを設計した。 異なる予測データセット上で効率の良い多重忠実度最適化を実現するために,様々な予算タイプを実証的に検討する。
  論文  参考訳（メタデータ） (2022-05-11T14:03:25Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• AutoCTS: Automated Correlated Time Series Forecasting -- Extended Version [33.2633206664655]
  相関時系列予測(CTS)は、多くのサイバー物理システムにおいて重要な役割を果たす。 現在の予測モデルは、モデルポテンシャルを制限するために、単純に同じSTブロックを複数回積み重ねる。 本稿では,高度に競争力のあるSTブロックを自動同定できるAutoCTSと,多様なトポロジを用いて接続された異種STブロックを用いた予測モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-21T13:11:00Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。