論文の概要: Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series
- arxiv url: http://arxiv.org/abs/2312.01294v1
- Date: Sun, 3 Dec 2023 05:52:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:06:35.883072
- Title: Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series
- Title(参考訳): 量子レグレッションの深層アンサンブル:不確かさを意識した時系列計算
- Authors: Ying Liu, Peng Cui, Wenbo Hu, Richang Hong
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.992908221544624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series are everywhere. Nevertheless, real-world time series
data often exhibit numerous missing values, which is the time series imputation
task. Although previous deep learning methods have been shown to be effective
for time series imputation, they are shown to produce overconfident
imputations, which might be a potentially overlooked threat to the reliability
of the intelligence system. Score-based diffusion method(i.e., CSDI) is
effective for the time series imputation task but computationally expensive due
to the nature of the generative diffusion model framework. In this paper, we
propose a non-generative time series imputation method that produces accurate
imputations with inherent uncertainty and meanwhile is computationally
efficient. Specifically, we incorporate deep ensembles into quantile regression
with a shared model backbone and a series of quantile discrimination
functions.This framework combines the merits of accurate uncertainty estimation
of deep ensembles and quantile regression and above all, the shared model
backbone tremendously reduces most of the computation overhead of the multiple
ensembles. We examine the performance of the proposed method on two real-world
datasets: air quality and health-care datasets and conduct extensive
experiments to show that our method excels at making deterministic and
probabilistic predictions. Compared with the score-based diffusion method:
CSDI, we can obtain comparable forecasting results and is better when more data
is missing. Furthermore, as a non-generative model compared with CSDI, the
proposed method consumes a much smaller computation overhead, yielding much
faster training speed and fewer model parameters.
- Abstract(参考訳): 多変量時系列は至る所にある。
それにもかかわらず、現実世界の時系列データは、しばしば多くの欠落した値を示し、それは時系列インプテーションタスクである。
従来の深層学習手法は時系列の計算に有効であることが示されているが、情報システムの信頼性に対する潜在的に見過ごされた脅威である、過信的な計算を発生させることが示されている。
スコアベース拡散法(CSDI)は時系列計算作業には有効であるが,生成拡散モデルフレームワークの性質から計算コストがかかる。
本稿では,固有不確実性と計算効率を両立させる非生成時系列インプテーション手法を提案する。
具体的には,共用モデルバックボーンと分位数識別関数の連成による分位数回帰にディープアンサンブルを組み込んだ。この枠組みは,ディープアンサンブルの正確な不確実性推定と分位数回帰の利点を組み合わせることにより,共有モデルバックボーンは,複数のアンサンブルの計算オーバーヘッドの大部分を大幅に削減する。
提案手法は, 空気質と医療データセットの2つの実世界のデータセットにおいて, 提案手法の性能を検証し, 決定論的および確率論的予測に優れることを示す。
スコアベース拡散法と比較すると、CSDI は同等の予測結果を得ることができ、より多くのデータが欠落した場合により良い結果が得られる。
さらに, csdiと比較した非生成モデルとして, 提案手法は計算オーバーヘッドを大幅に削減し, 学習速度の高速化とモデルパラメータの低減を実現している。
関連論文リスト
- 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) - Uncertainty-Aware Deep Attention Recurrent Neural Network for
Heterogeneous Time Series Imputation [0.25112747242081457]
欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。
本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。
実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
論文 参考訳(メタデータ) (2024-01-04T13:21:11Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Probabilistic Imputation for Time-series Classification with Missing
Data [17.956329906475084]
時系列データを欠落した値で分類する新しいフレームワークを提案する。
我々の深層生成モデル部分は、欠落した値を複数の可算的な方法で解釈するように訓練されている。
分類部は、インプットされた不足値とともに時系列データを取り込み、信号を分類する。
論文 参考訳(メタデータ) (2023-08-13T10:04:13Z) - Better Batch for Deep Probabilistic Time Series Forecasting [17.212396544233307]
本稿では,確率的予測精度を高めるために,誤り自己相関を取り入れた新しいトレーニング手法を提案する。
各ミニバッチ上で時間変化の共分散行列を明示的に学習し、隣接する時間ステップ間の誤差相関を符号化する。
2つの異なるニューラル予測モデルと複数の公開データセットで本手法を評価する。
論文 参考訳(メタデータ) (2023-05-26T15:36:59Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。
我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。
3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文 参考訳(メタデータ) (2022-09-22T06:06:56Z) - 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) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z)
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。