論文の概要: Fine-grained Forecasting Models Via Gaussian Process Blurring Effect
- arxiv url: http://arxiv.org/abs/2312.14280v1
- Date: Thu, 21 Dec 2023 20:25:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 16:48:49.310239
- Title: Fine-grained Forecasting Models Via Gaussian Process Blurring Effect
- Title（参考訳）: ガウス過程のぼやけ効果による細粒度予測モデル
- Authors: Sepideh Koohfar and Laura Dietz
- Abstract要約: 時系列予測は、複雑な時間的依存関係と動的な時間的依存関係が存在するため、困難なタスクである。
より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。
我々は、エンドツーエンドの予測・デノゲーションパラダイムを提唱し、画像生成のためのDenoisingアプローチを成功させています。
- 参考スコア（独自算出の注目度）: 6.472434306724611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting is a challenging task due to the existence of complex
and dynamic temporal dependencies. This can lead to incorrect predictions by
even the best forecasting models. Using more training data is one way to
improve the accuracy, but this source is often limited. In contrast, we are
building on successful denoising approaches for image generation by advocating
for an end-to-end forecasting and denoising paradigm.
We propose an end-to-end forecast-blur-denoise forecasting framework by
encouraging a division of labors between the forecasting and the denoising
models. The initial forecasting model is directed to focus on accurately
predicting the coarse-grained behavior, while the denoiser model focuses on
capturing the fine-grained behavior that is locally blurred by integrating a
Gaussian Process model. All three parts are interacting for the best end-to-end
performance. Our extensive experiments demonstrate that our proposed approach
is able to improve the forecasting accuracy of several state-of-the-art
forecasting models as well as several other denoising approaches.
- Abstract（参考訳）: 時系列予測は、複雑でダイナミックな時間依存が存在するため、困難なタスクである。
これは、最高の予測モデルでさえ、誤った予測につながる可能性がある。
より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。
対照的に、私たちは、エンドツーエンドの予測と推論のパラダイムを提唱することで、画像生成のデノイジングアプローチを成功させています。
本稿では,予測モデルと分別モデルの間での作業分担を奨励し,エンドツーエンドの予測・ブルール・デノエーズ予測フレームワークを提案する。
初期予測モデルは粗粒度を正確に予測することに集中し、デノイザーモデルはガウス過程モデルを統合することで局所的にぼやけた粒度の挙動を捉えることに重点を置いている。
3つのパートはすべて、最高のエンドツーエンドパフォーマンスのために相互作用しています。
提案手法は,いくつかの最先端予測モデルの予測精度を向上し,他の予測手法も改善可能であることを示す。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。
時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。
本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
論文 参考訳（メタデータ） (2024-10-07T18:51:23Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。
ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。
以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-10-12T08:51:59Z) - A positive feedback method based on F-measure value for Salient Object
Detection [1.9249287163937976]
本稿では,SODに対するF値に基づく正のフィードバック手法を提案する。
提案手法は,画像を検出して既存のモデルに入力し,それぞれの予測マップを取得する。
5つの公開データセットに対する実験結果から,提案手法の正のフィードバックは,5つの評価指標において最新の12の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-04-28T04:05:13Z) - Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。
わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。
これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文 参考訳（メタデータ） (2022-04-17T15:55:18Z) - Learning Prediction Intervals for Model Performance [1.433758865948252]
モデル性能の予測間隔を計算する手法を提案する。
我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
論文 参考訳（メタデータ） (2020-12-15T21:32:03Z) - 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) - Deep Learning for Post-Processing Ensemble Weather Forecasts [14.622977874836298]
深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。
我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
論文 参考訳（メタデータ） (2020-05-18T14:23:26Z)
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。