論文の概要: Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2403.04477v1
• Date: Thu, 7 Mar 2024 13:22:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 14:05:56.947499
• Title: Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting
• Title（参考訳）: 確率時系列予測のためのハイパーパラメータチューニングmlp
• Authors: Kiran Madhusudhanan, Shayan Jawed, Lars Schmidt-Thieme
• Abstract要約: 時系列予測は過去の傾向やパターンを分析して将来の出来事を予測しようとする。 よく研究されているが、時系列予測におけるディープラーニングの利用に関するいくつかの重要な側面はあいまいである。 そこで本研究では, TSBench と命名された, 97200 評価を含む時系列予測のための最大メタデータセットについて紹介する。
• 参考スコア（独自算出の注目度）: 6.579888565581481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting attempts to predict future events by analyzing past trends and patterns. Although well researched, certain critical aspects pertaining to the use of deep learning in time series forecasting remain ambiguous. Our research primarily focuses on examining the impact of specific hyperparameters related to time series, such as context length and validation strategy, on the performance of the state-of-the-art MLP model in time series forecasting. We have conducted a comprehensive series of experiments involving 4800 configurations per dataset across 20 time series forecasting datasets, and our findings demonstrate the importance of tuning these parameters. Furthermore, in this work, we introduce the largest metadataset for timeseries forecasting to date, named TSBench, comprising 97200 evaluations, which is a twentyfold increase compared to previous works in the field. Finally, we demonstrate the utility of the created metadataset on multi-fidelity hyperparameter optimization tasks.
• Abstract（参考訳）: 時系列予測は過去の傾向やパターンを分析して将来の出来事を予測する。 よく研究されているが、時系列予測における深層学習の利用に関する批判的な側面はあいまいである。 本研究は主に、時系列予測における最先端mlpモデルの性能に及ぼす、コンテキスト長や検証戦略など、時系列に関連する特定のハイパーパラメータの影響を検討することに焦点を当てた。 我々は20の時系列予測データセットにまたがるデータセット毎の4800構成に関する包括的な実験を行い,これらのパラメータのチューニングの重要性を実証した。 さらに,本稿では,過去作に比べて2倍の増量である97200の評価を含む,現在までの時系列予測のための最大メタデータセットであるtsbenchを紹介する。 最後に,マルチフィデリティハイパーパラメータ最適化タスクにおけるメタデータセットの有用性を実証する。

関連論文リスト

• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Optimal starting point for time series forecasting [1.9937737230710553]
  我々は、OSP-TSP(Optimal starting Point Time Series Forecast)と呼ばれる新しいアプローチを導入する。 XGBoostモデルとLightGBMモデルを利用してシーケンス長を調整することで、提案手法は時系列の最適開始点(OSP)を決定することができる。 実験の結果,OSP-TSPアプローチに基づく予測は,完全なデータセットを用いた予測よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-09-25T11:51:00Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
  本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。 本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。 得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
  論文  参考訳（メタデータ） (2023-06-06T16:15:26Z)
• Conformal Prediction Bands for Two-Dimensional Functional Time Series [0.0]
  時間発展曲面は2次元関数時系列としてモデル化することができ、関数データ解析のツールを利用することができる。 主な焦点は、予測問題の不確実性を定量化するために使用される多目的な非パラメトリックパラダイムであるコンフォーマル予測(英語版)を中心に展開される。 2次元関数時系列の確率的予測スキームを提示し、次数1の自己回帰過程をこの設定に拡張する。
  論文  参考訳（メタデータ） (2022-07-27T17:23:14Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• Monash Time Series Forecasting Archive [6.0617755214437405]
  各種ドメインから利用可能な20の時系列データセットを含む総合時系列予測アーカイブを提案する。 特徴分析を行うことで,データセットを特徴付け,それらの類似点と相違点を識別する。 本論文では,8つの誤差指標にまたがる全データセットに対する標準ベースライン予測手法の性能について述べる。
  論文  参考訳（メタデータ） (2021-05-14T04:49:58Z)
• 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。