論文の概要: Performative Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2310.06077v1
- Date: Mon, 9 Oct 2023 18:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 02:18:38.218014
- Title: Performative Time-Series Forecasting
- Title(参考訳): Performative Time-Series Forecasting
- Authors: Zhiyuan Zhao, Alexander Rodriguez, B.Aditya Prakash
- Abstract要約: 我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
- 参考スコア(独自算出の注目度): 71.18553214204978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-series forecasting is a critical challenge in various domains and has
witnessed substantial progress in recent years. Many real-life scenarios, such
as public health, economics, and social applications, involve feedback loops
where predictions can influence the predicted outcome, subsequently altering
the target variable's distribution. This phenomenon, known as performativity,
introduces the potential for 'self-negating' or 'self-fulfilling' predictions.
Despite extensive studies in classification problems across domains,
performativity remains largely unexplored in the context of time-series
forecasting from a machine-learning perspective.
In this paper, we formalize performative time-series forecasting (PeTS),
addressing the challenge of accurate predictions when performativity-induced
distribution shifts are possible. We propose a novel approach, Feature
Performative-Shifting (FPS), which leverages the concept of delayed response to
anticipate distribution shifts and subsequently predicts targets accordingly.
We provide theoretical insights suggesting that FPS can potentially lead to
reduced generalization error. We conduct comprehensive experiments using
multiple time-series models on COVID-19 and traffic forecasting tasks. The
results demonstrate that FPS consistently outperforms conventional time-series
forecasting methods, highlighting its efficacy in handling
performativity-induced challenges.
- Abstract(参考訳): 時系列予測は様々な分野において重要な課題であり、近年は大きな進歩を遂げている。
公衆衛生、経済学、社会応用などの現実的なシナリオの多くは、予測が予測結果に影響を与えるフィードバックループを伴い、その後、ターゲット変数の分布を変化させる。
この現象は「パフォーマンス」と呼ばれ、'自己否定'や'自己満足'の予測の可能性をもたらす。
ドメイン間の分類問題に関する広範な研究にもかかわらず、機械学習の観点からの時系列予測の文脈では、パフォーマンス性はいまだに未調査のままである。
本稿では,演奏性に起因した分布シフトが可能な場合の正確な予測の課題に対処するため,演奏時間予測(PeTS)を形式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用し,それに従って目標を予測する新しい手法である特徴実行シフト(fps)を提案する。
我々は fps が一般化誤差を減少させる可能性を示唆する理論的知見を提供する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
その結果、FPSは従来の時系列予測手法より一貫して優れており、パフォーマンスに起因した課題に対処する上での有効性を強調している。
関連論文リスト
- Probing the Robustness of Time-series Forecasting Models with
CounterfacTS [1.823020744088554]
我々は,時系列予測タスクにおけるディープラーニングモデルの堅牢性を調査するツールであるCounterfacTSを提示し,公開する。
CounterfacTSにはユーザフレンドリーなインターフェースがあり、時系列データとその予測を視覚化、比較、定量化することができる。
論文 参考訳(メタデータ) (2024-03-06T07:34:47Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳(メタデータ) (2024-02-23T06:09:45Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
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) - Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。
ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。
以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-10-12T08:51:59Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - 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) - Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。
提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-08T13:08:34Z)
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。