論文の概要: From Similarity to Superiority: Channel Clustering for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2404.01340v2
• Date: Wed, 06 Nov 2024 05:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:21:22.428174
• Title: From Similarity to Superiority: Channel Clustering for Time Series Forecasting
• Title（参考訳）: 類似性から上位性へ:時系列予測のためのチャネルクラスタリング
• Authors: Jialin Chen, Jan Eric Lenssen, Aosong Feng, Weihua Hu, Matthias Fey, Leandros Tassiulas, Jure Leskovec, Rex Ying,
• Abstract要約: CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
• 参考スコア（独自算出の注目度）: 61.96777031937871
• License:
• Abstract: Time series forecasting has attracted significant attention in recent decades. Previous studies have demonstrated that the Channel-Independent (CI) strategy improves forecasting performance by treating different channels individually, while it leads to poor generalization on unseen instances and ignores potentially necessary interactions between channels. Conversely, the Channel-Dependent (CD) strategy mixes all channels with even irrelevant and indiscriminate information, which, however, results in oversmoothing issues and limits forecasting accuracy. There is a lack of channel strategy that effectively balances individual channel treatment for improved forecasting performance without overlooking essential interactions between channels. Motivated by our observation of a correlation between the time series model's performance boost against channel mixing and the intrinsic similarity on a pair of channels, we developed a novel and adaptable Channel Clustering Module (CCM). CCM dynamically groups channels characterized by intrinsic similarities and leverages cluster information instead of individual channel identities, combining the best of CD and CI worlds. Extensive experiments on real-world datasets demonstrate that CCM can (1) boost the performance of CI and CD models by an average margin of 2.4% and 7.2% on long-term and short-term forecasting, respectively; (2) enable zero-shot forecasting with mainstream time series forecasting models; (3) uncover intrinsic time series patterns among channels and improve interpretability of complex time series models.
• Abstract（参考訳）: 時系列の予測はここ数十年で大きな注目を集めている。 従来の研究では、チャネル独立(CI)戦略は、異なるチャネルを個別に扱うことによって予測性能を改善する一方で、見えないインスタンスの一般化が貧弱になり、チャネル間の潜在的に必要な相互作用を無視することを示した。 逆に、Channel-Dependent (CD) 戦略は、すべてのチャンネルを無関係で差別的な情報と混在させ、その結果過度な問題が発生し、予測精度が制限される。 チャネル間の本質的な相互作用を見落としずに、予測性能を向上させるために、個別のチャネル処理を効果的にバランスさせるチャネル戦略の欠如がある。 チャネル混合に対する時系列モデルの性能向上と,一対のチャネルの内在的類似性との相関関係を考察し,新しい適応可能なチャネルクラスタリングモジュール(CCM)を開発した。 CCMは、固有の類似性によって特徴づけられるチャネルを動的にグループ化し、CDとCIの世界をうまく組み合わせて、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 実世界のデータセットに対する大規模な実験により,(1)CIモデルとCDモデルの平均マージンが平均2.4%,(2)長期予測が7.2%向上し,(2)主流時系列予測モデルによるゼロショット予測が可能となり,(3)チャネル間の固有時系列パターンが明らかになり,複雑な時系列モデルの解釈可能性が改善された。

関連論文リスト

• Channel-Aware Low-Rank Adaptation in Time Series Forecasting [43.684035409535696]
  2つの代表的なチャネル戦略は、モデル表現性とロバスト性に密接に関連している。 本稿では,チャネル対応の低ランク適応手法を,アイデンティティ対応の個別コンポーネント上での条件付きCDモデルに適用する。
  論文  参考訳（メタデータ） (2024-07-24T13:05:17Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• MCformer: Multivariate Time Series Forecasting with Mixed-Channels Transformer [8.329947472853029]
  Channel Independence(CI)戦略は、すべてのチャネルを単一のチャネルとして扱い、データセットを拡張する。 Mixed Channels戦略は、CI戦略のデータ拡張アドバンテージと、チャネル間の相関を忘れないように対処する機能を組み合わせたものだ。 モデルは特定の数のチャネルをブレンドし、チャネル間の相関情報を効果的に取得するための注意機構を活用する。
  論文  参考訳（メタデータ） (2024-03-14T09:43:07Z)
• Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling [24.041263835195423]
  チャネル混合手法のためのCDAM(Cross-var-Decorrelation Aware Feature Modeling)を提案する。 また,従来の一段階予測手法を超越した時間的相関を利用するための時間的相関認識モデリング(TAM)も導入した。 我々の新しいフレームワークは、包括的テストにおいて、これまで最先端と見なされていたものを含め、既存のモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-01T04:42:47Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)

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。