論文の概要: The DeepCAR Method: Forecasting Time-Series Data That Have Change Points

• arxiv url: http://arxiv.org/abs/2302.11241v1
• Date: Wed, 22 Feb 2023 09:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 15:39:04.695969
• Title: The DeepCAR Method: Forecasting Time-Series Data That Have Change Points
• Title（参考訳）: DeepCARメソッド: 変更点を持つ時系列データの予測
• Authors: Ayla Jungbluth and Johannes Lederer
• Abstract要約: DeepARフレームワークは、ディープラーニングに基づいた時系列予測の新しい、最新のアプローチである。 本稿では,これらの変化点を検出し,含むことにより,DeepARフレームワークを拡張した。 提案手法は,変化点がない場合には標準のDeepARと同等の性能を示し,変化点がある場合にはかなり優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many methods for time-series forecasting are known in classical statistics, such as autoregression, moving averages, and exponential smoothing. The DeepAR framework is a novel, recent approach for time-series forecasting based on deep learning. DeepAR has shown very promising results already. However, time series often have change points, which can degrade the DeepAR's prediction performance substantially. This paper extends the DeepAR framework by detecting and including those change points. We show that our method performs as well as standard DeepAR when there are no change points and considerably better when there are change points. More generally, we show that the batch size provides an effective and surprisingly simple way to deal with change points in DeepAR, Transformers, and other modern forecasting models.
• Abstract（参考訳）: 時系列予測の多くの方法は、自己回帰、移動平均、指数的滑らか化などの古典統計学で知られている。 DeepARフレームワークは、ディープラーニングに基づいた時系列予測の新しい、最新のアプローチである。 DeepARはすでに非常に有望な結果を示している。 しかし、時系列はしばしば変化点を持ち、DeepARの予測性能を著しく低下させる可能性がある。 本稿では,これらの変化点を検出し,含むことにより,DeepARフレームワークを拡張した。 提案手法は,変化点がない場合には標準のDeepARと同等の性能を示し,変化点がある場合にはかなり優れていることを示す。 より一般的に、バッチサイズは、DeepAR、Transformer、その他の現代的な予測モデルの変化点を扱う効果的な、そして驚くほど単純な方法を提供する。

関連論文リスト

• A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP [0.0]
  時系列データ中の事象を検出するための新しいディープラーニング制御手法を提案する。 これは二項分類ではなく回帰に基づく。 ラベル付きデータセットは必要とせず、各ポイントにラベルが付けられている。 時間ポイントや時間間隔として定義された参照イベントのみを必要とする。
  論文  参考訳（メタデータ） (2023-10-25T09:13:19Z)
• Temporal Action Localization with Multi-temporal Scales [54.69057924183867]
  マルチ時間スケールの特徴空間における行動を予測することを提案する。 具体的には、異なるスケールの洗練された特徴ピラミッドを使用して、高レベルのスケールから低レベルのスケールにセマンティクスを渡す。 提案手法は, それぞれ12.6%, 17.4%, 2.2%の改善を達成できる。
  論文  参考訳（メタデータ） (2022-08-16T01:48:23Z)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• Changepoint Analysis of Topic Proportions in Temporal Text Data [1.8262547855491456]
  トピック比の分布に変化点を規定する特化時間トピックモデルを構築した。 まず、サンプル分割を用いてトピックのポリトープを推定し、次に確率比統計を適用した。 歴史的に知られているいくつかの変化点を取得し、新しい変化点を発見する。
  論文  参考訳（メタデータ） (2021-11-29T17:20:51Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Correcting Momentum in Temporal Difference Learning [95.62766731469671]
  時間差(TD)学習のモーメントは2倍に不安定になる勾配を蓄積すると主張している。 この現象が存在することを示し、その上で運動量に対する一階補正項を提案する。 この研究の重要な洞察は、深いRL法は、常に監督された設定から直接テクニックをインポートすることで最適ではないということである。
  論文  参考訳（メタデータ） (2021-06-07T20:41:15Z)
• Boosted Embeddings for Time Series Forecasting [0.6042845803090501]
  新たな時系列予測モデルであるDeepGBを提案する。 我々は,弱い学習者が反復よりも漸進的に重みがみられるdnnである勾配ブースティングの変種を定式化し,実装する。 本モデルが実世界センサーデータと公開データセットを用いて既存の同等の最新モデルを上回ることを実証した。
  論文  参考訳（メタデータ） (2021-04-10T14:38:11Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。