論文の概要: Multi-task learning of convex combinations of forecasting models
- arxiv url: http://arxiv.org/abs/2310.20545v1
- Date: Tue, 31 Oct 2023 15:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 14:29:44.501275
- Title: Multi-task learning of convex combinations of forecasting models
- Title（参考訳）: 予測モデルの凸組合せのマルチタスク学習
- Authors: Giovanni Felici, Antonio M. Sudoso
- Abstract要約: 両問題を同時に扱うマルチタスク学習手法を提案する。
提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
提案手法は,最先端手法と比較して点予測精度を向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecast combination involves using multiple forecasts to create a single,
more accurate prediction. Recently, feature-based forecasting has been employed
to either select the most appropriate forecasting models or to learn the
weights of their convex combination. In this paper, we present a multi-task
learning methodology that simultaneously addresses both problems. This approach
is implemented through a deep neural network with two branches: the regression
branch, which learns the weights of various forecasting methods by minimizing
the error of combined forecasts, and the classification branch, which selects
forecasting methods with an emphasis on their diversity. To generate training
labels for the classification task, we introduce an optimization-driven
approach that identifies the most appropriate methods for a given time series.
The proposed approach elicits the essential role of diversity in feature-based
forecasting and highlights the interplay between model combination and model
selection when learning forecasting ensembles. Experimental results on a large
set of series from the M4 competition dataset show that our proposal enhances
point forecast accuracy compared to state-of-the-art methods.
- Abstract（参考訳）: 予測の組み合わせは、複数の予測を使用して、1つのより正確な予測を生成する。
近年,最も適切な予測モデルを選択するか,凸結合の重みを学習するために,特徴に基づく予測が採用されている。
本稿では,両課題を同時に解決するマルチタスク学習手法を提案する。
このアプローチは,複合予測の誤差を最小化し,様々な予測手法の重みを学習する回帰枝と,その多様性を重視した予測手法を選択する分類枝という,2つの枝を持つディープニューラルネットワークによって実装されている。
分類タスクのトレーニングラベルを生成するために,与えられた時系列に対して最も適切な手法を識別する最適化駆動手法を提案する。
提案手法は,特徴量に基づく予測における多様性の本質的役割を解明し,予測アンサンブル学習時のモデル組み合わせとモデル選択との相互作用を強調する。
m4コンペティションデータセットを用いた大規模シリーズ実験の結果,本提案手法は最先端手法に比べてポイント予測精度が向上することが示された。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - Infinite forecast combinations based on Dirichlet process [9.326879672480413]
本稿では,ディリクレ過程に基づく深層学習アンサンブル予測モデルを提案する。
単一のベンチマークモデルに比べて予測精度と安定性が大幅に向上している。
論文 参考訳（メタデータ） (2023-11-21T06:41:41Z) - Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
論文 参考訳（メタデータ） (2022-10-10T16:14:08Z) - Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。
時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。
4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
論文 参考訳（メタデータ） (2021-07-08T20:13:50Z) - The Perils of Learning Before Optimizing [16.97597806975415]
本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。
2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
論文 参考訳（メタデータ） (2021-06-18T20:43:47Z) - Forecast with Forecasts: Diversity Matters [9.66075743192747]
近年,時系列特徴を用いた予測組み合わせモデルの構築が,予測領域で盛んに行われている。
本研究では,歴史的データから生成した予測へ焦点を移して特徴を抽出することを提案する。
本稿では,対応する予測に基づいてモデルプールの多様性を決定的特徴として計算し,メタラーニングを用いて多様性に基づく予測組み合わせモデルを構築する。
論文 参考訳（メタデータ） (2020-12-03T02:14:02Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-03T14:57:24Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。