論文の概要: Interpretable System Identification and Long-term Prediction on Time-Series Data

• arxiv url: http://arxiv.org/abs/2303.01193v1
• Date: Thu, 2 Mar 2023 12:16:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-03 14:49:42.654476
• Title: Interpretable System Identification and Long-term Prediction on Time-Series Data
• Title（参考訳）: 時系列データの解釈可能なシステム同定と長期予測
• Authors: Xiaoyi Liu, Duxin Chen, Wenjia Wei, Xia Zhu, and Wenwu Yu
• Abstract要約: 本研究では,事前知識のない解釈可能なシステム同定手法を提案する。 解釈可能なシステムを示し、計算コストを大幅に削減する。 提案手法の性能試験には, 水分保持データ, 地球温度データ, 財務データを含む3つのデータセットを用いる。
• 参考スコア（独自算出の注目度）: 7.587078760248201
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series prediction has drawn considerable attention during the past decades fueled by the emerging advances of deep learning methods. However, most neural network based methods lack interpretability and fail in extracting the hidden mechanism of the targeted physical system. To overcome these shortcomings, an interpretable sparse system identification method without any prior knowledge is proposed in this study. This method adopts the Fourier transform to reduces the irrelevant items in the dictionary matrix, instead of indiscriminate usage of polynomial functions in most system identification methods. It shows an interpretable system representation and greatly reduces computing cost. With the adoption of $l_1$ norm in regularizing the parameter matrix, a sparse description of the system model can be achieved. Moreover, Three data sets including the water conservancy data, global temperature data and financial data are used to test the performance of the proposed method. Although no prior knowledge was known about the physical background, experimental results show that our method can achieve long-term prediction regardless of the noise and incompleteness in the original data more accurately than the widely-used baseline data-driven methods. This study may provide some insight into time-series prediction investigations, and suggests that an white-box system identification method may extract the easily overlooked yet inherent periodical features and may beat neural-network based black-box methods on long-term prediction tasks.
• Abstract（参考訳）: 過去数十年間、深層学習の進歩によって、時系列予測に大きな注目を集めてきた。 しかし、ほとんどのニューラルネットワークベースの手法は解釈可能性に欠け、ターゲットの物理的システムの隠れたメカニズムを抽出するのに失敗する。 これらの欠点を克服するために,事前知識のない解釈可能なスパースシステム同定法を提案する。 この手法は、ほとんどのシステム同定法において多項式関数の無差別使用の代わりに、辞書行列における無関係な項目を減らすためにフーリエ変換を採用する。 解釈可能なシステム表現を示し、計算コストを大幅に削減する。 パラメータ行列の正規化に$l_1$ normを採用することで、システムモデルのスパースな記述が実現できる。 また, 提案手法の性能試験には, 水温データ, 地球温度データ, 財務データを含む3つのデータセットを用いる。 物理的背景に関する事前の知識は分かっていないが,本手法は,従来のベースラインデータ駆動手法よりもノイズや不完全性に拘わらず,長期予測が可能であった。 本研究は,時系列予測に関するいくつかの知見を提供し,ホワイトボックスシステム同定法が,見落としやすいが本質的な周期的特徴を抽出し,ニューラルネットワークに基づくブラックボックス法を長期予測タスクで打ち負かす可能性を示唆する。

関連論文リスト

• A Rate-Distortion View of Uncertainty Quantification [36.85921945174863]
  教師付き学習では、入力がトレーニングデータに近接していることを理解することは、モデルが信頼できる予測に達する十分な証拠を持っているかどうかを判断するのに役立つ。 本稿では,この特性でディープニューラルネットワークを強化するための新しい手法であるDistance Aware Bottleneck (DAB)を紹介する。
  論文  参考訳（メタデータ） (2024-06-16T01:33:22Z)
• State Sequences Prediction via Fourier Transform for Representation Learning [111.82376793413746]
  本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。 本研究では,状態系列における構造情報の存在を理論的に解析する。 実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-24T14:47:02Z)
• Sparse Deep Learning for Time Series Data: Theory and Applications [9.878774148693575]
  疎いディープラーニングは、ディープニューラルネットワークのパフォーマンスを改善するための一般的なテクニックとなっている。 本稿では,データを用いた疎い深層学習の理論について検討する。 提案手法は時系列データの自己回帰順序を連続的に同定できることを示す。
  論文  参考訳（メタデータ） (2023-10-05T01:26:13Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Efficient learning of nonlinear prediction models with time-series privileged information [11.679648862014655]
  線形ガウス力学系において、中間時系列データにアクセス可能なLuPI学習者は、偏りのない古典的学習者よりも決して悪くはないことを示す。 このマップが未知の場合のランダムな特徴と表現学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-15T05:56:36Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
  時系列モデルの構築とトレーニングのための新しいアプローチを提案する。 提案手法は,非定常時系列の予測モデル構築に適している。
  論文  参考訳（メタデータ） (2020-11-23T21:28:03Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。