論文の概要: FDNet: Focal Decomposed Network for Efficient, Robust and Practical Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2306.10703v1
• Date: Mon, 19 Jun 2023 05:17:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 19:06:09.206244
• Title: FDNet: Focal Decomposed Network for Efficient, Robust and Practical Time Series Forecasting
• Title（参考訳）: FDNet: 効率的でロバストで実用的な時系列予測のためのFDNet
• Authors: Li Shen, Yuning Wei, Yangzhu Wang, Huaxin Qiu
• Abstract要約: 本稿では,FDNet: A Focal Decomposed Network for efficient, robust and practical time series forecastingを提案する。 我々は、入力シーケンスの普遍的特徴写像から予測結果を得る従来のディープ時系列予測式から脱却する。 FDNetは6つの実世界のベンチマークで競合予測性能を達成し、他の13のSOTAベースラインと比較して平均38.4%の予測MSEを削減した。
• 参考スコア（独自算出の注目度）: 3.4084863310573983
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents FDNet: a Focal Decomposed Network for efficient, robust and practical time series forecasting. We break away from conventional deep time series forecasting formulas which obtain prediction results from universal feature maps of input sequences. In contrary, FDNet neglects universal correlations of input elements and only extracts fine-grained local features from input sequence. We show that: (1) Deep time series forecasting with only fine-grained local feature maps of input sequence is feasible upon theoretical basis. (2) By abandoning global coarse-grained feature maps, FDNet overcomes distribution shift problem caused by changing dynamics of time series which is common in real-world applications. (3) FDNet is not dependent on any inductive bias of time series except basic auto-regression, making it general and practical. Moreover, we propose focal input sequence decomposition method which decomposes input sequence in a focal manner for efficient and robust forecasting when facing Long Sequence Time series Input (LSTI) problem. FDNet achieves competitive forecasting performances on six real-world benchmarks and reduces prediction MSE by 38.4% on average compared with other thirteen SOTA baselines. The source code is available at https://github.com/OrigamiSL/FDNet.
• Abstract（参考訳）: 本稿では,FDNet: A Focal Decomposed Network for efficient, robust and practical time series forecastingを提案する。 我々は、入力シーケンスの普遍的特徴写像から予測結果を得る従来のディープ時系列予測式から分離する。 これとは対照的に、FDNetは入力要素の普遍的相関を無視し、入力シーケンスからきめ細かい局所的特徴のみを抽出する。 1) 入力列の細粒度局所特徴マップのみを用いた深部時系列予測が理論的に実現可能であることを示す。 2)グローバルな粗い特徴マップを捨てることで,FDNetは実世界のアプリケーションに共通する時系列の動的変化に起因する分散シフト問題を克服する。 (3)FDNetは、基本的自己回帰を除いて時系列の帰納バイアスに依存せず、汎用的で実用的である。 さらに,Long Sequence Time Series Input (LSTI) 問題に直面する場合,入力シーケンスを効率よく,堅牢な予測のために,焦点方式で分解する焦点入力シーケンス分解法を提案する。 FDNetは6つの実世界のベンチマークで競合予測性能を達成し、他の13のSOTAベースラインと比較して平均38.4%の予測MSEを削減した。 ソースコードはhttps://github.com/OrigamiSL/FDNetで入手できる。

関連論文リスト

• FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
  時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。 本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• A Novel Method Combines Moving Fronts, Data Decomposition and Deep Learning to Forecast Intricate Time Series [0.0]
  インド・サマーモンスーン・レインフォール(英語: Indian Summer Monsoon Rainfall、ISMR)は、インドの都市。 従来のワンタイム分解技術は、未来からの情報が漏れることに悩まされている。 データ漏洩を防止するために移動フロント(MF)法を提案する。
  論文  参考訳（メタデータ） (2023-03-11T12:07:26Z)
• 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)
• STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
  GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。 我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T06:06:56Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Respecting Time Series Properties Makes Deep Time Series Forecasting Perfect [3.830797055092574]
  時系列予測モデルにおいて、時間的特徴をどのように扱うかが重要な問題である。 本稿では,3つの有意だが未確立の深層時系列予測機構を厳密に分析する。 上記の分析に基づいて,新しい時系列予測ネットワーク,すなわちRTNetを提案する。
  論文  参考訳（メタデータ） (2022-07-22T08:34:31Z)
• PRNet: A Periodic Residual Learning Network for Crowd Flow Forecasting [8.50942649992681]
  我々は,クラウドフローデータの周期性をモデル化するための新しい周期的残差学習ネットワーク(PRNet)を考案した。 PRNetは、入力(前の時間)と出力(将来の時間)のずれをモデル化し、周期的残差学習問題として予測する群集フローをフレーム化する。 2つの実世界のデータセットに対する実験結果から、PRNetは精度と堅牢性の両方の観点から最先端の手法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） (2021-12-08T12:04:27Z)
• AuxAdapt: Stable and Efficient Test-Time Adaptation for Temporally Consistent Video Semantic Segmentation [81.87943324048756]
  ビデオセグメンテーションでは、フレーム間で時間的に一貫した結果を生成することは、フレームワイドの精度を達成するのと同じくらい重要である。 既存の方法は、時間的整合性を達成するために、テストデータによる光フローの正則化や微調整に依存している。 本稿では、ほとんどのニューラルネットワークモデルの時間的一貫性を改善するために、効率的で直感的で教師なしのオンライン適応手法であるAuxAdaptを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:07:41Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• FADNet: A Fast and Accurate Network for Disparity Estimation [18.05392578461659]
  本研究では,FADNetという分散度推定のための効率的かつ高精度なディープネットワークを提案する。 高速な計算を保存するために、2Dベースの効率的な相関層と積み重ねブロックを利用する。 精度を向上させるために、マルチスケールの重みスケジューリングトレーニング技術を活用するために、マルチスケールの予測を含んでいる。
  論文  参考訳（メタデータ） (2020-03-24T10:27:11Z)

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。

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。