論文の概要: Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis

• arxiv url: http://arxiv.org/abs/2311.02300v1
• Date: Sat, 4 Nov 2023 02:07:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 18:19:12.248665
• Title: Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis
• Title（参考訳）: Few-Shot Fault Time Series Prognosis に対する逐次モデル非依存メタラーニング
• Authors: Hai Su, Jiajun Hu, Songsen Yu
• Abstract要約: 本稿では,連続した時系列をメタタスクとして扱う「擬似メタタスク」分割方式を提案する。 連続時系列を擬似メタタスクとして利用することで,データからより包括的な特徴や関係を抽出することができる。 異なるデータセットにまたがる手法の堅牢性を高めるための差分アルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 3.5573601621032944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meta learning is a promising technique for solving few-shot fault prediction problems, which have attracted the attention of many researchers in recent years. Existing meta-learning methods for time series prediction, which predominantly rely on random and similarity matching-based task partitioning, face three major limitations: (1) feature exploitation inefficiency; (2) suboptimal task data allocation; and (3) limited robustness with small samples. To overcome these limitations, we introduce a novel 'pseudo meta-task' partitioning scheme that treats a continuous time period of a time series as a meta-task, composed of multiple successive short time periods. Employing continuous time series as pseudo meta-tasks allows our method to extract more comprehensive features and relationships from the data, resulting in more accurate predictions. Moreover, we introduce a differential algorithm to enhance the robustness of our method across different datasets. Through extensive experiments on several fault and time series prediction datasets, we demonstrate that our approach substantially enhances prediction performance and generalization capability under both few-shot and general conditions.
• Abstract（参考訳）: メタラーニングは,近年多くの研究者が注目している,数発の断層予測問題の解決に有望な手法である。 既存の時系列予測のメタラーニング手法は, 乱数および類似性に基づくタスク分割に大きく依存するが, 機能評価の非効率性, (2) 最適タスクデータアロケーション, (3) 小サンプルによるロバストさの3つの大きな制約に直面している。 このような制約を克服するために,連続した時系列を複数連続する短周期からなるメタタスクとして扱う,新しい「擬似メタタスク」分割方式を導入する。 連続時系列を擬似メタタスクとして使用することにより,データからより包括的な特徴や関係を抽出し,より正確な予測を行うことができる。 さらに,異なるデータセットにまたがる手法の堅牢性を高めるために,差分アルゴリズムを導入する。 複数の故障・時系列予測データセットを広範囲に実験した結果,本手法は予測性能と一般化能力を大きく向上させることを実証した。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  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)
• 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)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• cs-net: structural approach to time-series forecasting for high-dimensional feature space data with limited observations [1.5533753199073637]
  本研究では,高次元多変量予測タスクに優れたフレキシブルなデータ特徴抽出手法を提案する。 我々のアプローチは、もともとNational Science Foundation (NSF) Algorithms for Threat Detection (ATD) 2022 Challengeのために開発された。 我々のモデルは、GDELTデータセットでトレーニングされ、ATDスプリントシリーズの第1位と第2位に終わり、時系列予測のための他のデータセットを約束します。
  論文  参考訳（メタデータ） (2022-12-05T19:46:47Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• 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)

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。