論文の概要: Forecasting with Hyper-Trees

• arxiv url: http://arxiv.org/abs/2405.07836v3
• Date: Mon, 14 Oct 2024 10:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-15 17:54:26.558815
• Title: Forecasting with Hyper-Trees
• Title（参考訳）: Hyper-Trees による予測
• Authors: Alexander März, Kashif Rasul,
• Abstract要約: Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
• 参考スコア（独自算出の注目度）: 50.72190208487953
• License:
• Abstract: We introduce the concept of Hyper-Trees and offer a new direction in applying tree-based models to time series data. Unlike conventional applications of decision trees that forecast time series directly, Hyper-Trees are designed to learn the parameters of time series models. Our framework combines the effectiveness of gradient boosted trees on tabular data with the advantages of established time series models, thereby naturally inducing a time series inductive bias to tree models. By relating the parameters of a target time series model to features, Hyper-Trees also address the issue of parameter non-stationarity. To resolve the inherent scaling issue of boosted trees when estimating a large number of target model parameters, we combine decision trees and neural networks within a unified framework. In this novel approach, the trees first generate informative representations from the input features, which a shallow network then maps to the target model parameters. With our research, we aim to explore the effectiveness of Hyper-Trees across various forecasting scenarios and to extend the application of gradient boosted trees outside their conventional use in time series modeling.
• Abstract（参考訳）: 我々はHyper-Treesの概念を導入し、時系列データにツリーモデルを適用するための新しい方向性を提供する。 時系列を直接予測する従来の決定木とは異なり、Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 本フレームワークは,木面データに対する勾配増進木の有効性と確立された時系列モデルの利点を組み合わせ,自然に木面モデルに時系列帰納バイアスを生じさせる。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 多数の対象モデルパラメータを推定する際のブーストツリーの固有のスケーリング問題を解決するため、我々は、決定木とニューラルネットワークを統一されたフレームワーク内で組み合わせる。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。 本研究では,様々な予測シナリオにまたがるハイパートレーの効果について検討し,時系列モデリングにおける従来の利用外における勾配増木の適用を拡大することを目的とする。

関連論文リスト

• GrootVL: Tree Topology is All You Need in State Space Model [66.36757400689281]
  GrootVLは、視覚的タスクとテキストタスクの両方に適用できる多目的マルチモーダルフレームワークである。 本手法は, 画像分類, オブジェクト検出, セグメンテーションにおいて, 既存の構造化状態空間モデルよりも大幅に優れる。 大規模言語モデルの微調整により,本手法は訓練コストの少ない複数のテキストタスクにおいて一貫した改善を実現する。
  論文  参考訳（メタデータ） (2024-06-04T15:09:29Z)
• Tree-based Learning for High-Fidelity Prediction of Chaos [0.2999888908665658]
  TreeDOXは、カオスシステムのモデルフリー予測に対するツリーベースのアプローチである。 時間遅延オーバー埋め込みを明示的な短期記憶として使用し、Extra-Trees Regressorsを使用して機能の削減と予測を行う。 我々はHenon map, Lorenz and Kuramoto-Sivashinsky system, and the real-world Southern Oscillation Indexを用いてTreeDOXの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-12T01:16:29Z)
• Explainable Adaptive Tree-based Model Selection for Time Series Forecasting [1.0515439489916734]
  木に基づくモデルは、時系列予測など、様々なタスクにうまく適用されている。 多くは過度に適合する問題に悩まされており、現実の意思決定における応用を制限している。 そこで本研究では,時系列予測タスクにおけるTreeSHAP説明可能性を用いた木モデルオンライン選択手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T09:40:02Z)
• Unboxing Tree Ensembles for interpretability: a hierarchical visualization tool and a multivariate optimal re-built tree [0.34530027457862006]
  我々は,木組モデルの解釈可能な表現を開発し,その振る舞いに関する貴重な洞察を提供する。 提案モデルは,木組決定関数を近似した浅い解釈可能な木を得るのに有効である。
  論文  参考訳（メタデータ） (2023-02-15T10:43:31Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• TreeDRNet:A Robust Deep Model for Long Term Time Series Forecasting [24.832101846728925]
  我々は、より効果的な長期予測のために、TreeDRNetと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 頑健な回帰にインスパイアされた2つの残差リンク構造を導入し、予測をより堅牢にする。 我々の実証研究は、TreeDRNetが最先端の手法よりもはるかに効果的であることを示している。
  論文  参考訳（メタデータ） (2022-06-24T06:53:11Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• 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)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。