論文の概要: A Novel Hyperdimensional Computing Framework for Online Time Series Forecasting on the Edge

• arxiv url: http://arxiv.org/abs/2402.01999v1
• Date: Sat, 3 Feb 2024 02:42:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 23:03:33.276050
• Title: A Novel Hyperdimensional Computing Framework for Online Time Series Forecasting on the Edge
• Title（参考訳）: エッジ上でのオンライン時系列予測のための新しい超次元計算フレームワーク
• Authors: Mohamed Mejri, Chandramouli Amarnath, Abhijit Chatterjee
• Abstract要約: オフラインのディープラーニング予測モデルは、時系列データの変化に効果的に適応できない。 オンラインの深層予測モデルは高価であり、複雑な訓練手順を持つことが多い。 本稿では,オンライン非線形時系列予測問題を線形超次元時系列予測の1つとして再構成する。
• 参考スコア（独自算出の注目度）: 1.4255659581428337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, both online and offline deep learning models have been developed for time series forecasting. However, offline deep forecasting models fail to adapt effectively to changes in time-series data, while online deep forecasting models are often expensive and have complex training procedures. In this paper, we reframe the online nonlinear time-series forecasting problem as one of linear hyperdimensional time-series forecasting. Nonlinear low-dimensional time-series data is mapped to high-dimensional (hyperdimensional) spaces for linear hyperdimensional prediction, allowing fast, efficient and lightweight online time-series forecasting. Our framework, TSF-HD, adapts to time-series distribution shifts using a novel co-training framework for its hyperdimensional mapping and its linear hyperdimensional predictor. TSF-HD is shown to outperform the state of the art, while having reduced inference latency, for both short-term and long-term time series forecasting. Our code is publicly available at http://github.com/tsfhd2024/tsf-hd.git
• Abstract（参考訳）: 近年,時系列予測のためのオンラインおよびオフラインのディープラーニングモデルが開発されている。 しかし、オフライン深層予測モデルは時系列データの変化に効果的に適応できず、オンライン深層予測モデルはしばしば高価で複雑なトレーニング手順を持っている。 本稿では,オンライン非線形時系列予測問題を線形超次元時系列予測の1つとして再構成する。 非線形低次元時系列データは、線形超次元予測のために高次元(超次元)空間にマッピングされ、高速で効率的で軽量なオンライン時系列予測を可能にする。 提案手法であるtsf-hdは,超次元マッピングと線形超次元予測のための新しいコトレーニングフレームワークを用いて時系列分布シフトに適応する。 TSF-HDは、短期および長期の時系列予測において、推論遅延を低減しつつ、技術状況よりも優れていた。 私たちのコードはhttp://github.com/tsfhd2024/tsf-hd.gitで公開されています。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• 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)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Spatiotemporal-Linear: Towards Universal Multivariate Time Series Forecasting [10.404951989266191]
  本稿ではSTL(Spatio-Temporal-Linear)フレームワークを紹介する。 STLは、Linearベースのアーキテクチャを拡張するために、時間組込みと空間インフォームドのバイパスをシームレスに統合する。 実証的な証拠は、さまざまな観測時間と予測期間とデータセットにわたって、LinearとTransformerのベンチマークを上回り、STLの成果を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-12-22T17:46:34Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling [65.93805881841119]
  ドリフト問題に対処するため,textbfOnline textbfensembling textbfNetwork (OneNet)を提案する。 OneNet は State-Of-The-Art (SOTA) 法と比較してオンライン予測エラーを $mathbf50%$ 以上削減する。
  論文  参考訳（メタデータ） (2023-09-22T06:59:14Z)
• 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)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。 具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。 我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)
• Adaptive Graph Convolutional Network Framework for Multidimensional Time Series Prediction [6.962213869946514]
  本稿では,主に時系列予測における隠れ次元依存性を捉える適応型グラフニューラルネットワークを提案する。 グラフ畳み込みネットワークを様々な時系列予測モデルに統合し、異なる次元間の関係を捉えることができない欠陥を解決する。 私たちのフレームワークの精度は、モデルに導入されてから約10%向上しました。
  論文  参考訳（メタデータ） (2022-05-08T04:50:16Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)

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。