論文の概要: Auxiliary Quantile Forecasting with Linear Networks

• arxiv url: http://arxiv.org/abs/2212.02578v1
• Date: Mon, 5 Dec 2022 20:09:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 17:53:08.469543
• Title: Auxiliary Quantile Forecasting with Linear Networks
• Title（参考訳）: 線形ネットワークによる補助量子予測
• Authors: Shayan Jawed, Lars Schmidt-Thieme
• Abstract要約: 共有線形層を用いた量子化予測のための新しいマルチタスク手法を提案する。 提案手法はImplicit Quantile Learningアプローチに基づく。 決定論的予測ベンチマークにおいて、学習補助量子化タスクが最先端のパフォーマンスをもたらすことを示す。
• 参考スコア（独自算出の注目度）: 6.155158115218501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel multi-task method for quantile forecasting with shared Linear layers. Our method is based on the Implicit quantile learning approach, where samples from the Uniform distribution $\mathcal{U}(0, 1)$ are reparameterized to quantile values of the target distribution. We combine the implicit quantile and input time series representations to directly forecast multiple quantile estimations for multiple horizons jointly. Prior works have adopted a Linear layer for the direct estimation of all forecasting horizons in a multi-task learning setup. We show that following similar intuition from multi-task learning to exploit correlations among forecast horizons, we can model multiple quantile estimates as auxiliary tasks for each of the forecast horizon to improve forecast accuracy across the quantile estimates compared to modeling only a single quantile estimate. We show learning auxiliary quantile tasks leads to state-of-the-art performance on deterministic forecasting benchmarks concerning the main-task of forecasting the 50$^{th}$ percentile estimate.
• Abstract（参考訳）: 共有線形層を用いた量子化予測のための新しいマルチタスク手法を提案する。 本手法は,一様分布 $\mathcal{u}(0, 1)$ からのサンプルを対象分布の量子化値に再パラメータ化する,暗黙の量子化学習手法に基づいている。 暗黙的量子化と入力時系列表現を組み合わせることで、複数の水平線に対する複数の量子化推定を直接予測する。 従来の研究では、マルチタスク学習環境における予測水平線の直接推定に線形層を採用していた。 予測地平線間の相関性を利用するマルチタスク学習の同様の直感に従って、予測地平線毎の補助的なタスクとして複数の量的推定をモデル化し、単一の量的推定のみをモデル化するよりも、予測精度を向上させることができることを示す。 我々は,50$^{th}$パーセント推定の主課題に関する決定論的予測ベンチマークにおいて,学習補助量子化タスクが最先端のパフォーマンスをもたらすことを示す。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Stacking for Probabilistic Short-term Load Forecasting [1.6317061277457001]
  メタラーニングのグローバル版とローカル版の両方を導入する。 ローカル学習モードでは、メタモデルはクエリパターンに最もよく似たパターンを使って訓練される。 以上の結果から, コンペティターに比べて, 量的回帰林が優越していることが示唆された。
  論文  参考訳（メタデータ） (2024-06-15T19:05:49Z)
• Private Statistical Estimation of Many Quantiles [0.41232474244672235]
  分布とi.d.サンプルへのアクセスが与えられた場合、特定の点における累積分布関数(量子関数)の逆関数の推定について検討する。 本研究は, 差分プライバシー下での多くの統計的定量値の推定について検討する。
  論文  参考訳（メタデータ） (2023-02-14T09:59:56Z)
• Learning Quantile Functions without Quantile Crossing for Distribution-free Time Series Forecasting [12.269597033369557]
  本稿では,分散フリーな分布推定フレームワークであるIncrmental (Spline) Quantile Function I(S)QFを提案する。 また、シーケンス・ツー・シーケンス・セッティングに基づく提案手法の一般化誤差解析も提供する。
  論文  参考訳（メタデータ） (2021-11-12T06:54:48Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Regularization Strategies for Quantile Regression [8.232258589877942]
  連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。 格子モデルにより予測された分布を位置スケールの族に正規化できることを示す。
  論文  参考訳（メタデータ） (2021-02-09T21:10:35Z)
• Quantile Surfaces -- Generalizing Quantile Regression to Multivariate Targets [4.979758772307178]
  我々のアプローチは、QS(quantile surfaces)と呼ばれる、単一出力量子化回帰(QR)から多変量ターゲットへの拡張に基づいている。 第1段階では、決定論的ポイント予測(中央傾向推定)を行います。 次に、量子表面回帰ニューラルネットワーク(QSNN)と呼ばれるニューラルネットワークを含むQSを用いた予測の不確かさをモデル化する。 再生可能エネルギー発電の確率予測と,短期サイクリストの軌道予測の2つの分野において,合成データに対する新たなアプローチと,現在研究中の2つの領域における実世界の課題の評価を行った。
  論文  参考訳（メタデータ） (2020-09-29T16:35:37Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
  マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。 我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
  論文  参考訳（メタデータ） (2020-04-28T09:15:50Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。