Fugu-MT 論文翻訳(概要): Forecasting with Deep Learning

論文の概要: Forecasting with Deep Learning

arxiv url: http://arxiv.org/abs/2302.12027v1
Date: Fri, 17 Feb 2023 10:09:22 GMT
ステータス: 処理完了
システム内更新日: 2023-02-26 13:14:16.799178
Title: Forecasting with Deep Learning
Title（参考訳）: ディープラーニングによる予測
Authors: Gissel Velarde
Abstract要約: 本稿では,ディープラーニングを用いた時系列予測手法とその2つのデータセットに対する評価について述べる。データセットの時系列に特定のバリエーションがあっても繰り返されるパターンが含まれている場合、単一の時系列を使用してディープラーニングネットワークをトレーニングすることができる。株式市場の閉鎖価格のようなより構造化されていない時系列では、ネットワークは観測された最後の値を繰り返すベースラインのように機能する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a method for time series forecasting with deep learning and its assessment on two datasets. The method starts with data preparation, followed by model training and evaluation. The final step is a visual inspection. Experimental work demonstrates that a single time series can be used to train deep learning networks if time series in a dataset contain patterns that repeat even with a certain variation. However, for less structured time series such as stock market closing prices, the networks perform just like a baseline that repeats the last observed value. The implementation of the method as well as the experiments are open-source.
Abstract（参考訳）: 本稿では,ディープラーニングを用いた時系列予測手法とその2つのデータセットに対する評価について述べる。この方法はデータ準備から始まり、その後モデルトレーニングと評価が行われる。最後のステップは視覚的な検査です。実験研究は、データセット内の時系列が特定の変動でも繰り返されるパターンを含む場合、ディープラーニングネットワークのトレーニングに1つの時系列が使用できることを示した。しかし、株式市場の閉鎖価格のような構造的でない時系列では、ネットワークは最後の観測値を繰り返したベースラインのように振る舞う。このメソッドの実装と実験はオープンソースである。

関連論文リスト

Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文参考訳（メタデータ） (2024-03-12T16:53:54Z)
Deep Learning for Multivariate Time Series Imputation: A Survey [36.72913706617057]
本稿では,最近提案されたディープラーニング計算手法に関する総合的な調査を行う。本稿では,本手法の分類法を提案し,その強度と限界を明らかにすることによって,これらの手法の構造化されたレビューを行う。また、異なる手法の研究や下流タスクの強化を比較するための実証実験も行います。
論文参考訳（メタデータ） (2024-02-06T15:03:53Z)
Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文参考訳（メタデータ） (2023-10-31T03:16:32Z)
Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文参考訳（メタデータ） (2023-10-08T08:09:51Z)
Toward a Foundation Model for Time Series Data [34.1973242428317]
基礎モデルは、大規模で多様なデータセットに基づいてトレーニングされた機械学習モデルである。複数のドメインのラベルのないサンプルを活用することで,効率的な時系列基礎モデルを構築する。
論文参考訳（メタデータ） (2023-10-05T21:44:50Z)
Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
論文参考訳（メタデータ） (2022-04-07T14:02:15Z)
Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文参考訳（メタデータ） (2021-10-11T13:33:18Z)
Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2021-08-05T20:50:18Z)
Visualising Deep Network's Time-Series Representations [93.73198973454944]
機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
論文参考訳（メタデータ） (2021-03-12T09:53:34Z)
Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文参考訳（メタデータ） (2020-05-18T09:36:51Z)
Time Series Data Augmentation for Deep Learning: A Survey [35.2161833151567]
時系列データに対する様々なデータ拡張手法を体系的に検討する。時系列分類や異常検出,予測など,さまざまなタスクに対するデータ拡張手法を実証的に比較した。
論文参考訳（メタデータ） (2020-02-27T23:38:11Z)

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。