論文の概要: Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis

• arxiv url: http://arxiv.org/abs/2310.06119v2
• Date: Thu, 17 Oct 2024 01:13:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:17:06.137496
• 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, Tao Sun, Guangyin Jin, Xin Cao, Gao Cong, Christian S. Jensen, Xueqi Cheng,
• Abstract要約: 我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。 リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
• 参考スコア（独自算出の注目度）: 70.78170766633039
• License:
• Abstract: Multivariate Time Series (MTS) analysis is crucial to understanding and managing complex systems, such as traffic and energy systems, and a variety of approaches to MTS forecasting have been proposed recently. However, we often observe inconsistent or seemingly contradictory performance findings across different studies. This hinders our understanding of the merits of different approaches and slows down progress. We address the need for means of assessing MTS forecasting proposals reliably and fairly, in turn enabling better exploitation of MTS as seen in different applications. Specifically, we first propose BasicTS+, a benchmark designed to enable fair, comprehensive, and reproducible comparison of MTS forecasting solutions. BasicTS+ establishes a unified training pipeline and reasonable settings, enabling an unbiased evaluation. Second, we identify the heterogeneity across different MTS as an important consideration and enable classification of MTS based on their temporal and spatial characteristics. Disregarding this heterogeneity is a prime reason for difficulties in selecting the most promising technical directions. Third, we apply BasicTS+ along with rich datasets to assess the capabilities of more than 45 MTS forecasting solutions. This provides readers with an overall picture of the cutting-edge research on MTS forecasting. The code can be accessed at https://github.com/GestaltCogTeam/BasicTS.
• Abstract（参考訳）: 多変量時系列解析(MTS)は交通やエネルギーシステムといった複雑なシステムの理解と管理に不可欠であり、近年、MSS予測に対する様々なアプローチが提案されている。 しかし、異なる研究で矛盾する、あるいは矛盾しているように見えるパフォーマンスの発見をよく観察する。 これにより、異なるアプローチのメリットに対する理解が妨げられ、進捗が遅くなります。 我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処し、異なるアプリケーションで見られるように、MTSのより良い活用を可能にする。 具体的には、まず、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするベンチマークであるBasicTS+を提案する。 BasicTS+は、統一されたトレーニングパイプラインと適切な設定を確立し、バイアスのない評価を可能にする。 第2に、異なるMSS間の不均一性を重要な考慮事項として識別し、その時間的特徴と空間的特徴に基づいてTSの分類を可能にする。 この異種性を無視したことが、最も有望な技術的方向性を選択するのに苦労する主な理由である。 第3に、45 MTS以上の予測ソリューションの性能を評価するために、BasicTS+とリッチデータセットを併用する。 これにより、読者はMSS予測に関する最先端の研究の全体像を見ることができる。 コードはhttps://github.com/GestaltCogTeam/BasicTSでアクセスできる。

関連論文リスト

• 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)
• A Multi-view Multi-task Learning Framework for Multi-variate Time Series Forecasting [42.061275727906256]
  MTS予測のための新しいマルチビューマルチタスク(MVMT)学習フレームワークを提案する。 MVMT情報は、MTSデータに深く隠され、モデルが自然にそれをキャプチャすることを妨げる。 タスクワイドアフィン変換とタスクワイド正規化という,2種類の基本操作をそれぞれ開発する。
  論文  参考訳（メタデータ） (2021-09-02T06:11:26Z)
• 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。