論文の概要: SimTS: Rethinking Contrastive Representation Learning for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2303.18205v1
• Date: Fri, 31 Mar 2023 16:59:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 13:08:09.801342
• Title: SimTS: Rethinking Contrastive Representation Learning for Time Series Forecasting
• Title（参考訳）: SimTS: 時系列予測のためのコントラスト表現学習の再考
• Authors: Xiaochen Zheng and Xingyu Chen and Manuel Sch\"urch and Amina Mollaysa and Ahmed Allam and Michael Krauthammer
• Abstract要約: 時系列予測を改善するための表現学習手法であるSimTSを提案する。 SimTSは、特定の時系列の特徴に関する負のペアや特定の仮定に依存しない。 実験の結果,SimTSは既存のコントラスト学習法と比較して競争性能が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 10.987229904763609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning methods have shown an impressive ability to learn meaningful representations for image or time series classification. However, these methods are less effective for time series forecasting, as optimization of instance discrimination is not directly applicable to predicting the future state from the history context. Moreover, the construction of positive and negative pairs in current technologies strongly relies on specific time series characteristics, restricting their generalization across diverse types of time series data. To address these limitations, we propose SimTS, a simple representation learning approach for improving time series forecasting by learning to predict the future from the past in the latent space. SimTS does not rely on negative pairs or specific assumptions about the characteristics of the particular time series. Our extensive experiments on several benchmark time series forecasting datasets show that SimTS achieves competitive performance compared to existing contrastive learning methods. Furthermore, we show the shortcomings of the current contrastive learning framework used for time series forecasting through a detailed ablation study. Overall, our work suggests that SimTS is a promising alternative to other contrastive learning approaches for time series forecasting.
• Abstract（参考訳）: 対照的な学習手法は、画像や時系列の分類において意味のある表現を学習する能力を示す。 しかし,これらの手法は時系列予測には有効ではなく,履歴コンテキストから将来の状態を予測するためには,インスタンス識別の最適化が直接適用されない。 さらに、現在の技術における正対と負対の構築は、特定の時系列特性に強く依存し、様々な時系列データにまたがる一般化を制限する。 そこで本研究では,過去の潜在空間から未来を予測することを学ぶことで,時系列予測を改善するための簡易表現学習手法であるsimtsを提案する。 SimTSは、特定の時系列の特徴に関する負のペアや特定の仮定に依存しない。 ベンチマーク時系列予測データセットを用いた広範囲な実験により,既存のコントラスト学習法と比較して,simtsは競争力のある性能が得られることが示された。 さらに,現在時系列予測に使われているコントラスト学習フレームワークの欠点について,詳細なアブレーション研究を通じて述べる。 全体としては、SimTSは時系列予測の他の対照的な学習手法に代わる有望な選択肢であることを示している。

関連論文リスト

• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Distillation Enhanced Time Series Forecasting Network with Momentum Contrastive Learning [7.4106801792345705]
  長周期時系列予測のための革新的蒸留強化フレームワークであるDE-TSMCLを提案する。 具体的には、タイムスタンプをマスクするかどうかを適応的に学習する学習可能なデータ拡張機構を設計する。 そこで本研究では,時系列のサンプル間および時間内相関を探索するために,モーメントを更新したコントラスト学習タスクを提案する。 複数のタスクからモデル損失を発生させることで、下流予測タスクの効果的な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-01-31T12:52:10Z)
• 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)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
  自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。 この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
  論文  参考訳（メタデータ） (2023-06-16T18:23:10Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting [10.605719154114354]
  時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。 本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
  論文  参考訳（メタデータ） (2022-05-31T15:43:46Z)
• Using Time-Series Privileged Information for Provably Efficient Learning of Prediction Models [6.7015527471908625]
  本研究では,学習中に特権情報を利用する教師付きモデルを用いて,今後の成果を予測する。 特権情報は、予測の基準時間と将来の結果の間に観察される時系列のサンプルを含む。 我々のアプローチは、特にデータが不足している場合に、古典的な学習よりも好まれることを示す。
  論文  参考訳（メタデータ） (2021-10-28T10:07:29Z)
• Series Saliency: Temporal Interpretation for Multivariate Time Series Forecasting [30.054015098590874]
  時系列予測のための時系列解釈のためのシリーズサリエンシーフレームワークを提示する。 時系列のスライディングウィンドウから「時系列画像」を抽出することにより、サリエンシーマップのセグメンテーションを適用する。 本フレームワークは,時系列予測タスクの時間的解釈を生成し,正確な時系列予測を生成する。
  論文  参考訳（メタデータ） (2020-12-16T23:48:00Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。