論文の概要: FreDF: Learning to Forecast in Frequency Domain
- arxiv url: http://arxiv.org/abs/2402.02399v1
- Date: Sun, 4 Feb 2024 08:23:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 20:02:31.237848
- Title: FreDF: Learning to Forecast in Frequency Domain
- Title(参考訳): FreDF: 周波数領域で予測することを学ぶ
- Authors: Hao Wang, Licheng Pan, Zhichao Chen, Degui Yang, Sen Zhang, Yifei
Yang, Xinggao Liu, Haoxuan Li, Dacheng Tao
- Abstract要約: 時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。
本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
- 参考スコア(独自算出の注目度): 56.24773675942897
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series modeling is uniquely challenged by the presence of
autocorrelation in both historical and label sequences. Current research
predominantly focuses on handling autocorrelation within the historical
sequence but often neglects its presence in the label sequence. Specifically,
emerging forecast models mainly conform to the direct forecast (DF) paradigm,
generating multi-step forecasts under the assumption of conditional
independence within the label sequence. This assumption disregards the inherent
autocorrelation in the label sequence, thereby limiting the performance of
DF-based models. In response to this gap, we introduce the Frequency-enhanced
Direct Forecast (FreDF), which bypasses the complexity of label autocorrelation
by learning to forecast in the frequency domain. Our experiments demonstrate
that FreDF substantially outperforms existing state-of-the-art methods
including iTransformer and is compatible with a variety of forecast models.
- Abstract(参考訳): 時系列モデリングは、歴史的およびラベルのシーケンスにおける自己相関の存在によって独特に挑戦される。
現在の研究は主に歴史的シーケンスにおける自己相関を扱うことに焦点を当てているが、しばしばラベルシーケンスにおける自己相関の存在を無視する。
特に、新興予測モデルは直接予測(DF)パラダイムに主に準拠し、ラベルシーケンス内の条件独立性を想定した多段階予測を生成する。
この仮定はラベルシーケンスの固有の自己相関を無視し、DFベースのモデルの性能を制限する。
このギャップに対応するために、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
実験の結果、FreDFはiTransformerを含む既存の最先端手法よりも大幅に優れており、様々な予測モデルと互換性があることがわかった。
関連論文リスト
- Non-autoregressive Sequence-to-Sequence Vision-Language Models [63.77614880533488]
本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。
このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
論文 参考訳(メタデータ) (2024-03-04T17:34:59Z) - Add and Thin: Diffusion for Temporal Point Processes [24.4686728569167]
ADD-THINは、時間点過程(TPP)ネットワークの確率的デノナイジング拡散モデルである。
イベントシーケンス全体で動作し、密度推定において最先端のTPPモデルと一致する。
合成および実世界のデータセットの実験において、我々のモデルは密度推定における最先端のTPPモデルと一致し、予測においてそれらを強く上回る。
論文 参考訳(メタデータ) (2023-11-02T10:42:35Z) - Generalized Mixture Model for Extreme Events Forecasting in Time Series
Data [10.542258423966492]
時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。
時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。
本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
論文 参考訳(メタデータ) (2023-10-11T12:36:42Z) - Non-autoregressive Conditional Diffusion Models for Time Series
Prediction [3.9722979176564763]
TimeDiffは、高品質な時系列予測を実現する非自己回帰拡散モデルである。
我々はTimeDiffが既存の時系列拡散モデルより一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-06-08T08:53:59Z) - 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) - First De-Trend then Attend: Rethinking Attention for Time-Series
Forecasting [17.89566168289471]
我々は、異なる時間領域における注意モデルと周波数領域の関係を理解することを模索する。
本稿では,TDformer (Trend Decomposition Transformer)を提案する。
ベンチマーク時系列予測データセットの実験は、TDformerが既存の注目モデルに対して最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2022-12-15T21:34:19Z) - Leveraging Instance Features for Label Aggregation in Programmatic Weak
Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。
PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。
既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文 参考訳(メタデータ) (2022-10-06T07:28:53Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z) - Partially Hidden Markov Chain Linear Autoregressive model: inference and
forecasting [0.0]
体制の変化にともなう時系列は、エコノメトリー、金融、気象学といった領域に多くの関心を集めている。
i) そのような時系列に関連する状態過程は、部分的に隠れたマルコフチェーン(PHMC)によってモデル化される。
本研究では,存在時の観測状態を考慮した隠れ状態推定手法と予測関数を提案する。
論文 参考訳(メタデータ) (2021-02-24T22:12:05Z) - Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。
MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。
MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2021-02-23T05:23:35Z)
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。