論文の概要: Taylorformer: Probabilistic Predictions for Time Series and other
Processes
- arxiv url: http://arxiv.org/abs/2305.19141v1
- Date: Tue, 30 May 2023 15:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 15:23:50.583748
- Title: Taylorformer: Probabilistic Predictions for Time Series and other
Processes
- Title(参考訳): Taylorformer: 時系列やその他のプロセスの確率予測
- Authors: Omer Nivron, Raghul Parthipan and Damon J. Wischik
- Abstract要約: Taylorformer氏は、予測にTaylorシリーズベースの近似をどのように、いつ使うかを学ぶ。
その2つの重要な構成要素は、1)Taylorラッパーで、予測にTaylorシリーズベースの近似をどのように、いつ使うかを学ぶこと、2)ガウス過程の平均予測がコンテキストデータの線形な滑らか化にどのように影響するかに触発された予測を行うMHA-Xアテンションブロックである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose the Taylorformer for time series and other random processes. Its
two key components are: 1) the LocalTaylor wrapper to learn how and when to use
Taylor series-based approximations for predictions, and 2) the MHA-X attention
block which makes predictions in a way inspired by how Gaussian Processes' mean
predictions are linear smoothings of contextual data. Taylorformer outperforms
the state-of-the-art on several forecasting datasets, including electricity,
oil temperatures and exchange rates with at least 14% improvement in MSE on all
tasks, and better likelihood on 5/6 classic Neural Process tasks such as
meta-learning 1D functions. Taylorformer combines desirable features from the
Neural Process (uncertainty-aware predictions and consistency) and forecasting
(predictive accuracy) literature, two previously distinct bodies.
- Abstract(参考訳): 時系列や他のランダムなプロセスに対するTaylorformerを提案する。
その2つの重要な要素は
1)予測のためにテイラー級数に基づく近似を用いる方法と方法を学ぶための局所テイラーラッパー
2) ガウス過程の平均予測が文脈データの線形滑らか化にどのように影響するかに着想を得たMHA-Xアテンションブロック。
Taylorformerは、電気、油温、為替レートなどいくつかの予測データセットにおいて、すべてのタスクにおいて少なくとも14%改善されたMSE、メタラーニング1D関数のような5/6古典的なニューラルプロセスタスクにおいて、最先端のデータセットよりも優れています。
Taylorformerは、ニューラル・プロセス(不確実性を認識した予測と一貫性)と予測(予測精度)の文学から望ましい特徴を組み合わせる。
関連論文リスト
- Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳(メタデータ) (2024-03-03T04:21:21Z) - Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。
本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
論文 参考訳(メタデータ) (2024-01-04T18:42:28Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2023-10-17T20:30:16Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳(メタデータ) (2023-10-08T17:55:33Z) - Conformal Prediction Bands for Two-Dimensional Functional Time Series [0.0]
時間発展曲面は2次元関数時系列としてモデル化することができ、関数データ解析のツールを利用することができる。
主な焦点は、予測問題の不確実性を定量化するために使用される多目的な非パラメトリックパラダイムであるコンフォーマル予測(英語版)を中心に展開される。
2次元関数時系列の確率的予測スキームを提示し、次数1の自己回帰過程をこの設定に拡張する。
論文 参考訳(メタデータ) (2022-07-27T17:23:14Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2022-06-16T06:13:53Z) - An Interpretable Probabilistic Model for Short-Term Solar Power
Forecasting Using Natural Gradient Boosting [0.0]
本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。
このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。
提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
論文 参考訳(メタデータ) (2021-08-05T12:59:38Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。
まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。
次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
論文 参考訳(メタデータ) (2021-02-10T15:23:20Z) - Beyond Point Estimate: Inferring Ensemble Prediction Variation from
Neuron Activation Strength in Recommender Systems [21.392694985689083]
Ensemble Methodは、予測不確実性推定のための最先端のベンチマークである。
予測のバリエーションは、様々なランダム性源から生じることを観察する。
本稿では,ニューロンの活性化強度の予測変動を推定し,活性化強度の特徴から強い予測力を示す。
論文 参考訳(メタデータ) (2020-08-17T00:08:27Z) - Adversarial Monte Carlo Meta-Learning of Optimal Prediction Procedures [0.0]
2人プレイゲームにおける最適戦略の探索として,予測手順のメタラーニングを行う。
このゲームでは、Natureは特徴と関連する結果からなるラベル付きデータを生成する事前のオーバーパラメトリック分布を選択する。
予測器の目的は、新しい特徴から関連する結果の見積にマップする関数を学習することである。
論文 参考訳(メタデータ) (2020-02-26T03:16:05Z)
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。