論文の概要: Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis
- arxiv url: http://arxiv.org/abs/2310.06119v1
- Date: Mon, 9 Oct 2023 19:52:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 23:33:30.453292
- Title: Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis
- Title（参考訳）: 多変量時系列予測の進歩:総合ベンチマークと異種性解析
- Authors: Zezhi Shao, Fei Wang, Yongjun Xu, Wei Wei, Chengqing Yu, Zhao Zhang,
Di Yao, Guangyin Jin, Xin Cao, Gao Cong, Christian S. Jensen, Xueqi Cheng
- Abstract要約: MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
- 参考スコア（独自算出の注目度）: 72.18987459587682
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate Time Series (MTS) widely exists in real-word complex systems,
such as traffic and energy systems, making their forecasting crucial for
understanding and influencing these systems. Recently, deep learning-based
approaches have gained much popularity for effectively modeling temporal and
spatial dependencies in MTS, specifically in Long-term Time Series Forecasting
(LTSF) and Spatial-Temporal Forecasting (STF). However, the fair benchmarking
issue and the choice of technical approaches have been hotly debated in related
work. Such controversies significantly hinder our understanding of progress in
this field. Thus, this paper aims to address these controversies to present
insights into advancements achieved. To resolve benchmarking issues, we
introduce BasicTS, a benchmark designed for fair comparisons in MTS
forecasting. BasicTS establishes a unified training pipeline and reasonable
evaluation settings, enabling an unbiased evaluation of over 30 popular MTS
forecasting models on more than 18 datasets. Furthermore, we highlight the
heterogeneity among MTS datasets and classify them based on temporal and
spatial characteristics. We further prove that neglecting heterogeneity is the
primary reason for generating controversies in technical approaches. Moreover,
based on the proposed BasicTS and rich heterogeneous MTS datasets, we conduct
an exhaustive and reproducible performance and efficiency comparison of popular
models, providing insights for researchers in selecting and designing MTS
forecasting models.
- Abstract（参考訳）: 多変量時系列(multivariate time series, mts)は、交通システムやエネルギーシステムといった実語複合システムにおいて広く存在し、それらの予測がこれらのシステムの理解と影響に不可欠である。
近年,MSSにおける時間的・空間的依存を効果的にモデル化するために,特にLTSF(Long-term Time Series Forecasting)やSTF(Spatial-Temporal Forecasting)において,ディープラーニングに基づくアプローチが広く普及している。
しかし、公正なベンチマーク問題と技術的なアプローチの選択は、関連する研究で熱心に議論されている。
このような論争は、この分野の進歩に対する我々の理解を著しく妨げている。
そこで本稿は,これらの議論に対処して,達成した進歩への洞察を提供することを目的とする。
ベンチマークの問題を解決するために,MTS予測における公正な比較を目的としたベンチマークであるBasicTSを紹介する。
basictsは、統一されたトレーニングパイプラインと合理的な評価設定を確立し、18以上のデータセット上で30以上の人気mts予測モデルの偏りのない評価を可能にする。
さらに,mtsデータセット間の不均一性を強調し,時間的・空間的特徴に基づいて分類する。
さらに, 異質性を無視することが, 技術的アプローチの議論を引き起こす主な理由であることを示す。
さらに,提案したBasicTSおよびリッチヘテロジニアスMSSデータセットに基づいて,一般的なモデルの総括的かつ再現可能な性能と効率の比較を行い,MSS予測モデルの選択と設計における研究者の洞察を提供する。
関連論文リスト
- Contrast Similarity-Aware Dual-Pathway Mamba for Multivariate Time Series Node Classification [9.159556125198305]
MTSノード分類(CS-DPMamba)のためのコントラスト類似性を考慮したデュアルパスMambaを提案する。
Fast Dynamic Time Warping (FastDTW) を用いて, MTS表現間の類似度行列を構築する。
長距離依存性と動的類似性を考慮し、正確なTSノード分類を実現した。
論文 参考訳（メタデータ） (2024-11-19T04:32:41Z) - RethinkingTMSC: An Empirical Study for Target-Oriented Multimodal
Sentiment Classification [70.9087014537896]
目的指向型マルチモーダル感性分類(TMSC)は,学者の間でも注目されている。
この問題の原因を明らかにするために,データセットの広範な実験的評価と詳細な分析を行う。
論文 参考訳（メタデータ） (2023-10-14T14:52:37Z) - Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。
MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。
提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2023-09-11T02:35:22Z) - Beyond Sharing: Conflict-Aware Multivariate Time Series Anomaly
Detection [18.796225184893874]
本稿では,衝突を意識した異常検出アルゴリズムCADを紹介する。
その結果,バニラMMoEの粗悪な性能は,MTS定式化の入力出力ミスアライメント設定に起因していることが判明した。
CADは3つの公開データセットの平均F1スコアが0.943であることを示す。
論文 参考訳（メタデータ） (2023-08-17T11:00:01Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - SMATE: Semi-Supervised Spatio-Temporal Representation Learning on
Multivariate Time Series [0.6445605125467572]
弱いラベル付きMSSから解釈可能な時空間表現を学習するための,新しい半教師付きモデルSMATEを提案する。
UEA MTSアーカイブから22の公開データセットで学習した表現を検証する。
論文 参考訳（メタデータ） (2021-10-01T17:59:46Z) - LIFE: Learning Individual Features for Multivariate Time Series
Prediction with Missing Values [71.52335136040664]
本稿では,MTS予測のための新しいパラダイムを提供する学習個人特徴(LIFE)フレームワークを提案する。
LIFEは、相関次元を補助情報として使用し、非相関次元からの干渉を欠落値で抑制することにより、予測のための信頼性の高い特徴を生成する。
3つの実世界のデータセットの実験は、既存の最先端モデルに対するLIFEの優位性を検証する。
論文 参考訳（メタデータ） (2021-09-30T04:53:24Z) - Mutual-Information Based Few-Shot Classification [34.95314059362982]
数ショット学習のためのTIM(Transductive Infomation Maximization)を提案する。
提案手法は,与えられた数発のタスクに対して,クエリ特徴とラベル予測との相互情報を最大化する。
そこで我々は,勾配に基づく最適化よりもトランスダクティブ推論を高速化する交代方向解法を提案する。
論文 参考訳（メタデータ） (2021-06-23T09:17:23Z) - Transductive Information Maximization For Few-Shot Learning [41.461586994394565]
数ショット学習のためのTIM(Transductive Infomation Maximization)を提案する。
提案手法は,与えられた数発のタスクに対して,クエリ特徴とラベル予測との相互情報を最大化する。
相互情報損失に対する新たな交互方向解法を提案する。
論文 参考訳（メタデータ） (2020-08-25T22:38:41Z) - Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。
我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文 参考訳（メタデータ） (2020-04-28T09:15:50Z)
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。