論文の概要: Adaptive Sampling for Probabilistic Forecasting under Distribution Shift

• arxiv url: http://arxiv.org/abs/2302.11870v1
• Date: Thu, 23 Feb 2023 09:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 15:53:14.018900
• Title: Adaptive Sampling for Probabilistic Forecasting under Distribution Shift
• Title（参考訳）: 分布シフト下における確率予測のための適応サンプリング
• Authors: Luca Masserano and Syama Sundar Rangapuram and Shubham Kapoor and Rajbir Singh Nirwan and Youngsuk Park and Michael Bohlke-Schneider
• Abstract要約: 本稿では,予測に関係のある時系列履歴の一部を選択する適応型サンプリング戦略を提案する。 本研究では,本手法が分散シフトに適応し,ベースモデルの予測誤差を5つのデータセットのうち3つで著しく低減することを示す。
• 参考スコア（独自算出の注目度）: 9.769524837609174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The world is not static: This causes real-world time series to change over time through external, and potentially disruptive, events such as macroeconomic cycles or the COVID-19 pandemic. We present an adaptive sampling strategy that selects the part of the time series history that is relevant for forecasting. We achieve this by learning a discrete distribution over relevant time steps by Bayesian optimization. We instantiate this idea with a two-step method that is pre-trained with uniform sampling and then training a lightweight adaptive architecture with adaptive sampling. We show with synthetic and real-world experiments that this method adapts to distribution shift and significantly reduces the forecasting error of the base model for three out of five datasets.
• Abstract（参考訳）: 現実世界の時系列は、マクロ経済サイクルや新型コロナウイルス(COVID-19)のパンデミックなど、外的かつ破壊的な出来事を通じて、時間とともに変化する。 本稿では,予測に関係のある時系列履歴の一部を選択する適応型サンプリング戦略を提案する。 ベイズ最適化により関連する時間ステップ上の離散分布を学習することでこれを達成する。 このアイデアを,一様サンプリングで事前学習し,適応サンプリングで軽量適応アーキテクチャを訓練する2段階の手法でインスタンス化する。 本研究では,本手法が分散シフトに適応し,ベースモデルの予測誤差を5つのデータセットのうち3つで著しく低減することを示す。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Infinite forecast combinations based on Dirichlet process [9.326879672480413]
  本稿では,ディリクレ過程に基づく深層学習アンサンブル予測モデルを提案する。 単一のベンチマークモデルに比べて予測精度と安定性が大幅に向上している。
  論文  参考訳（メタデータ） (2023-11-21T06:41:41Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Unsupervised Sampling Promoting for Stochastic Human Trajectory Prediction [10.717921532244613]
  本稿では,ベイズ最適化を教師なしで適応的にマイニングするBOsamplerという手法を提案する。 具体的には、軌道サンプリングをガウス過程としてモデル化し、潜在的なサンプリング値を測定するための獲得関数を構築する。 この取得関数は、元の分布を予め適用し、長い尾領域の経路を探索することを奨励する。
  論文  参考訳（メタデータ） (2023-04-09T19:15:14Z)
• Energy-Based Test Sample Adaptation for Domain Generalization [81.04943285281072]
  そこで本研究では,ドメインの試験時間におけるエネルギーに基づくサンプル適応を提案する。 対象試料をソース分布に適応させるため,エネルギー最小化により反復的に試料を更新する。 画像とマイクロブログスレッドの分類のための6つのベンチマーク実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-02-22T08:55:09Z)
• Adaptive Conformal Inference Under Distribution Shift [0.0]
  本研究では,未知の方法でデータ生成分布を時間とともに変化させるオンライン環境において,予測セットを形成する手法を開発した。 我々のフレームワークは、任意のブラックボックスメソッドと組み合わせられる一般的なラッパーを提供するために、共形推論のアイデアに基づいている。 我々は,2つの実世界のデータセット上で適応型共形推論法を検証し,その予測が可視的および有意な分布シフトに対して堅牢であることを見出した。
  論文  参考訳（メタデータ） (2021-06-01T01:37:32Z)
• Variance Reduction in Training Forecasting Models with Subgroup Sampling [34.941630385114216]
  一般的に用いられる勾配(例)の予測モデルを示す。 sgd) 大きなばらつきがあり、長時間のトレーニングが必要となる。 この問題を軽減するために,サブグループサンプリングというサンプリング戦略を提案する。 SCottは勾配と壁面時計の両方の目標に対してより高速に収束することを示す。
  論文  参考訳（メタデータ） (2021-03-02T22:23:27Z)
• Robust Sampling in Deep Learning [62.997667081978825]
  ディープラーニングは、オーバーフィッティングを減らし、一般化を改善するために正規化メカニズムを必要とする。 分散ロバスト最適化に基づく新しい正規化手法によりこの問題に対処する。 トレーニング中は、最悪のサンプルが最適化に最も貢献するものであるように、その正確性に応じてサンプルの選択が行われる。
  論文  参考訳（メタデータ） (2020-06-04T09:46:52Z)

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。