論文の概要: A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis
- arxiv url: http://arxiv.org/abs/2310.11959v1
- Date: Wed, 18 Oct 2023 13:39:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 16:26:44.250234
- Title: A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis
- Title(参考訳): 時系列解析のためのマルチスケール分解型MLPミクサ
- Authors: Shuhan Zhong, Sizhe Song, Guanyao Li, Weipeng Zhuo, Yang Liu, S.-H.
Gary Chan
- Abstract要約: 我々は、入力時系列を異なるコンポーネントに明示的に分解することを学ぶマルチスケール分解ミクサーであるMSD-Mixerを提案する。
我々は、MSD-Mixerが、他の最先端タスクジェネラルおよびタスク固有のアプローチと比較して、一貫して優れた性能を示すことを示した。
- 参考スコア(独自算出の注目度): 15.260612266625847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series data, often characterized by unique composition and complex
multi-scale temporal variations, requires special consideration of
decomposition and multi-scale modeling in its analysis. Existing deep learning
methods on this best fit to only univariate time series, and have not
sufficiently accounted for sub-series level modeling and decomposition
completeness. To address this, we propose MSD-Mixer, a Multi-Scale
Decomposition MLP-Mixer which learns to explicitly decompose the input time
series into different components, and represents the components in different
layers. To handle multi-scale temporal patterns and inter-channel dependencies,
we propose a novel temporal patching approach to model the time series as
multi-scale sub-series, i.e., patches, and employ MLPs to mix intra- and
inter-patch variations and channel-wise correlations. In addition, we propose a
loss function to constrain both the magnitude and autocorrelation of the
decomposition residual for decomposition completeness. Through extensive
experiments on various real-world datasets for five common time series analysis
tasks (long- and short-term forecasting, imputation, anomaly detection, and
classification), we demonstrate that MSD-Mixer consistently achieves
significantly better performance in comparison with other state-of-the-art
task-general and task-specific approaches.
- Abstract(参考訳): 時系列データは、しばしば一意な構成と複雑な多スケールの時間変化によって特徴づけられるが、分析において分解と多スケールモデリングを特に考慮する必要がある。
既存のディープラーニング手法は、一変量時系列にのみ適合し、サブシリーズレベルのモデリングや分解完全性を十分に考慮していない。
そこで我々は,MSD-Mixerを提案する。MLP-Mixerは,入力時系列を異なるコンポーネントに明示的に分解し,異なるレイヤのコンポーネントを表現する。
本稿では,マルチスケールの時間パターンとチャネル間依存性を扱うために,時系列をマルチスケールのサブシリーズ,すなわちパッチとしてモデル化する新しい時間的パッチ手法を提案する。
さらに,分解完全性に対する分解残差の大きさと自己相関を制約する損失関数を提案する。
5つの一般的な時系列分析タスク(長期および短期予測、インプテーション、異常検出、分類)のための様々な実世界のデータセットに関する広範な実験を通じて、msd-mixerは他の最先端のタスクジェネラルやタスク特有のアプローチと比較して、一貫して優れたパフォーマンスを達成できることを実証する。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Random Projection Layers for Multidimensional Time Series Forecasting [34.41467079882721]
RPMixerと呼ばれる全MLP時系列予測アーキテクチャを提案する。
本手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動を利用する。
提案手法は時空間グラフモデルと一般予測モデルの両方を含む代替手法より優れている。
論文 参考訳(メタデータ) (2024-02-16T07:28:59Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate
Time Series Forecasting [18.192600104502628]
時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。
MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
論文 参考訳(メタデータ) (2023-12-31T08:23:24Z) - EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series [7.514010315664322]
本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
論文 参考訳(メタデータ) (2023-12-04T08:38:54Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - An Unsupervised Short- and Long-Term Mask Representation for
Multivariate Time Series Anomaly Detection [2.387411589813086]
本稿では,教師なし短時間・長期マスク表現学習(SLMR)に基づく異常検出手法を提案する。
実験により,本手法の性能は,実世界の3つのデータセットにおいて,他の最先端モデル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) (2022-08-19T09:34:11Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z)
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。