論文の概要: Better Batch for Deep Probabilistic Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2305.17028v2
- Date: Mon, 22 Jan 2024 16:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 21:36:21.391008
- Title: Better Batch for Deep Probabilistic Time Series Forecasting
- Title(参考訳): 確率的時系列予測のためのより良いバッチ
- Authors: Vincent Zhihao Zheng, Seongjin Choi, Lijun Sun
- Abstract要約: 本稿では,確率予測の精度をさらに高めるために,誤り自己相関を取り入れた新しいトレーニング手法を提案する。
本手法では,ミニバッチをモデルトレーニングのためのD$連続時系列セグメントのコレクションとして構成する。
提案手法を2つの異なるニューラル予測モデルと複数の公開データセットで評価し,提案手法の有効性を実験的に検証した。
- 参考スコア(独自算出の注目度): 17.212396544233307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep probabilistic time series forecasting has gained significant attention
due to its superior performance in nonlinear approximation and its ability to
provide valuable uncertainty quantification for decision-making tasks. However,
many existing models oversimplify the problem by assuming that the error
process is time-independent, thereby overlooking the serial correlation in the
error process. To overcome this limitation, we propose an innovative training
method that incorporates error autocorrelation to further enhance the accuracy
of probabilistic forecasting. Our method involves constructing a mini-batch as
a collection of $D$ consecutive time series segments for model training and
explicitly learning a time-varying covariance matrix over each mini-batch that
encodes the error correlation among adjacent time steps. The learned covariance
matrix can be used to improve prediction accuracy and enhance uncertainty
quantification. We evaluate our method on two different neural forecasting
models and multiple public datasets, and the experimental results confirm the
effectiveness of the proposed approach in enhancing the performance of both
models across a wide range of datasets, yielding notable improvements in
predictive accuracy.
- Abstract(参考訳): 非線形近似の優れた性能と意思決定タスクの貴重な不確実性定量化能力により、深い確率的時系列予測が注目されている。
しかし、既存のモデルの多くは、エラープロセスが時間に依存しないことを仮定して問題を単純化し、エラープロセスのシリアル相関を見越す。
この制限を克服するため,確率予測の精度をさらに高めるために,誤り自己相関を取り入れた革新的なトレーニング手法を提案する。
本手法では,モデルトレーニングのための連続時系列セグメンテーションの1つとしてミニバッチを構築し,隣接時間ステップ間の誤差相関を符号化する各ミニバッチ上で時間変動共分散行列を明示的に学習する。
学習された共分散行列は予測精度の向上と不確かさの定量化に利用できる。
本手法は2種類のニューラル予測モデルと複数のパブリックデータセットを用いて評価し,提案手法の有効性を確認した。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - Multivariate Probabilistic Time Series Forecasting with Correlated Errors [17.212396544233307]
本稿では,自動回帰モデルのための複数ステップでエラーの共分散構造を学習するプラグイン・アンド・プレイ手法を提案する。
RNNとTransformerアーキテクチャ上に構築された確率モデルについて,本手法の評価を行った。
論文 参考訳(メタデータ) (2024-02-01T20:27:19Z) - Learning Mixture Structure on Multi-Source Time Series for Probabilistic
Forecasting [4.179947630802189]
本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。
対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
論文 参考訳(メタデータ) (2023-02-22T00:51:44Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Adjusting for Autocorrelated Errors in Neural Networks for Time Series
Regression and Forecasting [10.659189276058948]
我々は,自己相関係数をモデルパラメータと組み合わせて学習し,自己相関誤差の補正を行う。
時系列回帰では,大規模な実験により,本手法がPrais-Winsten法より優れていることが示された。
実世界の幅広いデータセットを対象とした結果から,ほぼすべてのケースにおいて,本手法が性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2021-01-28T04:25:51Z) - Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate
Time Series Forecasting [4.131842516813833]
時間系列の非線形ファクタリゼーションを可能にする新しい時間的潜時オートエンコーダ法を提案する。
確率的潜時空間モデルにより、入力系列の複雑な分布はデコーダを介してモデル化される。
我々のモデルは、多くの一般的な多変量データセット上で最先端のパフォーマンスを達成し、いくつかの標準メトリクスに対して最大50%のゲインを得られることがある。
論文 参考訳(メタデータ) (2021-01-25T22:29:40Z) - 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) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。