Fugu-MT 論文翻訳(概要): EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models

論文の概要: EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models

arxiv url: http://arxiv.org/abs/2403.03508v3
Date: Fri, 27 Jun 2025 20:55:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 19:22:01.7504
Title: EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models
Title（参考訳）: EXPRTS: 時系列予測モデルのロバスト性を探究する
Authors: Håkon Hanisch Kjærnli, Lluis Mas-Ribas, Hans Jakob Håland, Vegard Sjåvik, Aida Ashrafi, Helge Langseth, Odd Erik Gundersen,
Abstract要約: 我々は時系列を生成するための解釈可能でシンプルなフレームワークを開発する。本手法は時系列分解と解析関数を組み合わせることで,分布内データと分布外データの両方に一致する特性を持つ時系列を生成することができる。私たちは、モデルロバスト性を改善するために、我々のフレームワークが意味のあるOOD時系列を生成する方法を示します。
参考スコア（独自算出の注目度）: 1.23187154417297
License: http://creativecommons.org/licenses/by/4.0/
Abstract: When deploying time series forecasting models based on machine learning to real world settings, one often encounter situations where the data distribution drifts. Such drifts expose the forecasting models to out-of-distribution (OOD) data, and machine learning models lack robustness in these settings. Robustness can be improved by using deep generative models or genetic algorithms to augment time series datasets, but these approaches lack interpretability and are computationally expensive. In this work, we develop an interpretable and simple framework for generating time series. Our method combines time-series decompositions with analytic functions, and is able to generate time series with characteristics matching both in- and out-of-distribution data. This approach allows users to generate new time series in an interpretable fashion, which can be used to augment the dataset and improve forecasting robustness. We demonstrate our framework through EXPRTS, a visual analytics tool designed for univariate time series forecasting models and datasets. Different visualizations of the data distribution, forecasting errors and single time series instances enable users to explore time series datasets, apply transformations, and evaluate forecasting model robustness across diverse scenarios. We show how our framework can generate meaningful OOD time series that improve model robustness, and we validate EXPRTS effectiveness and usability through three use-cases and a user study.
Abstract（参考訳）: 機械学習に基づいた時系列予測モデルを現実の環境にデプロイする場合、データ分布がドリフトする状況に遭遇することが多い。このようなドリフトは予測モデルをアウト・オブ・ディストリビューション(OOD)データに公開する。深層生成モデルや遺伝的アルゴリズムを用いて時系列データセットを増強することでロバスト性を改善することができるが、これらのアプローチは解釈可能性に欠け、計算コストがかかる。本研究では,時系列を生成するための解釈可能かつシンプルなフレームワークを開発する。本手法は時系列分解と解析関数を組み合わせることで,分布内データと分布外データの両方に一致する特性を持つ時系列を生成することができる。このアプローチにより、ユーザーは解釈可能な方法で新しい時系列を生成できる。 EXPRTSは,時系列予測モデルとデータセットを多変量で生成する視覚解析ツールである。データ分散の可視化、予測エラー、単一時系列インスタンスの可視化により、ユーザは時系列データセットを探索し、変換を適用し、さまざまなシナリオにわたって予測モデルの堅牢性を評価することができる。我々は,本フレームワークがモデルロバスト性を向上させる意味のあるOOD時系列を生成する方法を示し,EXPRTSの有効性とユーザビリティを3つのユースケースとユーザスタディを通じて検証する。

関連論文リスト

Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では,予測符号化にインスパイアされた動的フィードバック機構を通じて時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが48.7%減少した。
論文参考訳（メタデータ） (2024-10-19T21:22:55Z)
TimeInf: Time Series Data Contribution via Influence Functions [8.018453062120916]
TimeInfは時系列データセットのデータコントリビューション推定手法である。実験の結果、TimeInfは有害な異常を識別する最先端の手法より優れていることが示された。 TimeInfはデータ値の直感的かつ解釈可能な属性を提供しており、視覚化によって様々な異常パターンを容易に識別することができる。
論文参考訳（メタデータ） (2024-07-21T19:10:40Z)
Scaling Law for Time Series Forecasting [8.967263259533036]
大規模データセット、複雑なモデル、強化されたデータの粒度に報いるスケーリング法則は、ディープラーニングの様々な分野において観察されている。しかし、時系列予測の研究は、時系列予測のためのディープラーニング手法のスケーリング行動に疑問を投げかけている。本稿では,このような異常な振る舞いを説明できる時系列予測法則のスケーリング理論を提案する。
論文参考訳（メタデータ） (2024-05-24T00:46:27Z)
TimeGPT in Load Forecasting: A Large Time Series Model Perspective [38.92798207166188]
機械学習モデルは、負荷予測に大きな進歩を遂げているが、過去の負荷データが不足している場合に、その予測精度は制限されている。本稿では,負荷予測における時系列モデルの可能性について考察する。
論文参考訳（メタデータ） (2024-04-07T09:05:09Z)
Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文参考訳（メタデータ） (2024-02-04T13:10:51Z)
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)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series [20.958959332978726]
SAFは、バックキャストに基づく予測に先立って自己適応段階を統合する」提案手法は,符号化された表現を進化する分布に効率よく適応させることにより,より優れた一般化を実現する。時系列データが医療や金融などの非定常性で知られる領域における合成および実世界のデータセットについて、SAFの顕著なメリットを実証する。
論文参考訳（メタデータ） (2022-02-04T21:54:10Z)
Learning Non-Stationary Time-Series with Dynamic Pattern Extractions [16.19692047595777]
最先端のアルゴリズムは、定常時間データを扱う上で、優れたパフォーマンスを実現している。定常時系列に対処する伝統的なアルゴリズムは、Forexトレーディングのような静止しないシリーズには適用されない。本稿では,非定常時系列列の予測の精度を向上する適用モデルについて検討する。
論文参考訳（メタデータ） (2021-11-20T10:52:37Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。