論文の概要: SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies

• arxiv url: http://arxiv.org/abs/2302.05650v1
• Date: Sat, 11 Feb 2023 10:50:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 19:20:09.023655
• Title: SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies
• Title（参考訳）: SLOTH:階層上の時系列予測のための構造化学習とタスクベース最適化
• Authors: Fan Zhou, Chen Pan, Lintao Ma, Yu Liu, Shiyu Wang, James Zhang, Xinxin Zhu, Xuanwei Hu, Yunhua Hu, Yangfei Zheng, Lei Lei, Yun Hu
• Abstract要約: 階層時系列(HTS)予測には2つのサブタスク、すなわち予測と和解が含まれる。 本稿では,トップダウン・コンボリューションとボトムアップ・アテンション(ボトムアップ・アテンション)という,新しいツリーベース機能統合機構を提案する。 強い仮定を頼りにするか、一貫性のある制約のみにフォーカスする従来の和解法とは異なり、我々はディープ・ニューラル・オプティマイゼーション・ネットワークを利用する。
• 参考スコア（独自算出の注目度）: 16.12477042879166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series forecasting with hierarchical structure is widely used in real-world applications, e.g., sales predictions for the geographical hierarchy formed by cities, states, and countries. The hierarchical time series (HTS) forecasting includes two sub-tasks, i.e., forecasting and reconciliation. In the previous works, hierarchical information is only integrated in the reconciliation step to maintain coherency, but not in forecasting step for accuracy improvement. In this paper, we propose two novel tree-based feature integration mechanisms, i.e., top-down convolution and bottom-up attention to leverage the information of the hierarchical structure to improve the forecasting performance. Moreover, unlike most previous reconciliation methods which either rely on strong assumptions or focus on coherent constraints only,we utilize deep neural optimization networks, which not only achieve coherency without any assumptions, but also allow more flexible and realistic constraints to achieve task-based targets, e.g., lower under-estimation penalty and meaningful decision-making loss to facilitate the subsequent downstream tasks. Experiments on real-world datasets demonstrate that our tree-based feature integration mechanism achieves superior performances on hierarchical forecasting tasks compared to the state-of-the-art methods, and our neural optimization networks can be applied to real-world tasks effectively without any additional effort under coherence and task-based constraints
• Abstract（参考訳）: 階層構造を持つ多変量時系列予測は、例えば、都市、州、国によって形成される地理的階層の売り上げ予測など、現実世界のアプリケーションで広く使われている。 階層時系列(HTS)予測には2つのサブタスク、すなわち予測と和解が含まれる。 前回の研究では、階層情報は一貫性を維持するための調整ステップにのみ統合されるが、精度向上のための予測ステップには統合されない。 本稿では,階層構造の情報を活用し,予測性能を向上させるための2つの新しい木型特徴統合機構,すなわちトップダウン畳み込みとボトムアップ注意を提案する。 さらに、強い仮定に依存したり、コヒーレントな制約のみにフォーカスする従来の和解手法とは異なり、我々は深いニューラルネットワークを利用して、仮定なしでコヒーレンシーを達成できるだけでなく、より柔軟で現実的な制約でタスクベースの目標、例えば、低い過小評価のペナルティと有意義な意思決定損失を達成し、後続の下流タスクを促進できる。 実世界のデータセットに対する実験により、我々のツリーベースの特徴統合メカニズムは、最先端の手法と比較して階層的予測タスクにおいて優れたパフォーマンスを達成し、我々のニューラルネットワークは、コヒーレンスやタスクベースの制約の下で追加の努力をすることなく、実世界のタスクに効果的に適用できることを示した。

関連論文リスト

• GMP-AR: Granularity Message Passing and Adaptive Reconciliation for Temporal Hierarchy Forecasting [20.56839345239421]
  時間的粒度の異なる時系列予測は、現実世界の応用において広く用いられている。 時間階層情報を利用して予測性能を向上させる新しい粒度メッセージパッシング機構(GMP)を提案する。 また、より現実的な制約に固執しつつ、タスクベースの目標を達成するための最適化モジュールも導入する。
  論文  参考訳（メタデータ） (2024-06-18T03:33:03Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)
• Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。 最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Hierarchical Deep Counterfactual Regret Minimization [53.86223883060367]
  本稿では,大規模な状態空間や深部ゲームツリーを含むタスクにおいて,学習効率を向上させる革新的な手法であるDeep CFRの最初の階層バージョンを紹介する。 HDCFRのこれまでの研究よりも顕著な利点は、事前に定義された(人間的な)専門知識による学習の促進と、同様のタスクに移行可能なスキルの獲得を促進する能力である。
  論文  参考訳（メタデータ） (2023-05-27T02:05:41Z)
• Structural hierarchical learning for energy networks [1.2599533416395767]
  本研究では,階層構造のトポロジ的構造にインスパイアされた,カスタムニューラルネットワークの設計について検討する。 その結果、データ制限のある環境では、コネクションが少ない構造モデルが全体として最高のパフォーマンスを発揮することが判明した。 全体として、この研究は構造的スケールの学習メカニズムの拡張により階層的な学習方法を拡張し、改善する。
  論文  参考訳（メタデータ） (2023-02-08T10:28:32Z)
• Hierarchical learning, forecasting coherent spatio-temporal individual and aggregated building loads [1.3764085113103222]
  構造的インフォームド機械学習回帰器と階層的和解分類に基づく新しい多次元階層予測手法を提案する。 本手法は2つの異なるケーススタディを用いて電気的負荷の予測を行う。 全体として、本論文は従来の階層的予測手法を拡張・統一し、新しい世代の予測回帰器への肥大なルートを提供する。
  論文  参考訳（メタデータ） (2023-01-30T15:11:46Z)
• RANK-NOSH: Efficient Predictor-Based Architecture Search via Non-Uniform Successive Halving [74.61723678821049]
  予算の浪費を回避するため,早期に性能の低いアーキテクチャのトレーニングを終了する階層的スケジューリングアルゴリズムであるNOn-uniform Successive Halving (NOSH)を提案する。 予測器に基づくアーキテクチャ探索をペア比較でランク付けする学習として定式化する。 その結果、RANK-NOSHは検索予算を5倍に削減し、様々な空間やデータセットにおける従来の最先端予測手法よりも、競争力やパフォーマンスの向上を実現した。
  論文  参考訳（メタデータ） (2021-08-18T07:45:21Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。