論文の概要: WEITS: A Wavelet-enhanced residual framework for interpretable time series forecasting

• arxiv url: http://arxiv.org/abs/2405.10877v1
• Date: Fri, 17 May 2024 16:09:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 15:43:48.206332
• Title: WEITS: A Wavelet-enhanced residual framework for interpretable time series forecasting
• Title（参考訳）: WEITS: 解釈可能な時系列予測のためのウェーブレット強化残留フレームワーク
• Authors: Ziyou Guo, Yan Sun, Tieru Wu,
• Abstract要約: WEITSは周波数対応のディープラーニングフレームワークであり、高度に解釈可能で計算効率が高い。 本稿では,周波数認識型深層学習フレームワークWEITSについて述べる。
• 参考スコア（独自算出の注目度）: 3.1551278097133895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series (TS) forecasting has been an unprecedentedly popular problem in recent years, with ubiquitous applications in both scientific and business fields. Various approaches have been introduced to time series analysis, including both statistical approaches and deep neural networks. Although neural network approaches have illustrated stronger ability of representation than statistical methods, they struggle to provide sufficient interpretablility, and can be too complicated to optimize. In this paper, we present WEITS, a frequency-aware deep learning framework that is highly interpretable and computationally efficient. Through multi-level wavelet decomposition, WEITS novelly infuses frequency analysis into a highly deep learning framework. Combined with a forward-backward residual architecture, it enjoys both high representation capability and statistical interpretability. Extensive experiments on real-world datasets have demonstrated competitive performance of our model, along with its additional advantage of high computation efficiency. Furthermore, WEITS provides a general framework that can always seamlessly integrate with state-of-the-art approaches for time series forecast.
• Abstract（参考訳）: 時系列予測(TS)は、近年、科学とビジネスの両方分野でユビキタスに応用されている、前例のない問題である。 統計的アプローチとディープニューラルネットワークの両方を含む、時系列分析に様々なアプローチが導入されている。 ニューラルネットワークアプローチは、統計的手法よりも表現能力が強いことを示しているが、十分な解釈可能性の提供に苦慮しており、最適化するには複雑すぎる可能性がある。 本稿では,周波数認識型深層学習フレームワークWEITSについて述べる。 マルチレベルウェーブレット分解により、WEITSは周波数解析を高度に深層学習フレームワークに導入する。 前方後方残差アーキテクチャと組み合わせて、高い表現能力と統計的解釈性の両方を享受する。 実世界のデータセットに対する大規模な実験は、高い計算効率のさらなる利点とともに、我々のモデルの競争性能を実証した。 さらに、WEITSは時系列予測のために常に最先端のアプローチとシームレスに統合できる一般的なフレームワークを提供する。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
  本研究では,時系列予測のための新しいマルチビュー手法を提案する。 傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。 このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
  論文  参考訳（メタデータ） (2024-09-30T02:11:57Z)
• An Efficient and Generalizable Symbolic Regression Method for Time Series Analysis [13.530431636528519]
  時系列に対する textbfNeural-textbfEnhanced textbfMonte-Carlo textbfTree textbfSearch (NEMoTS) を提案する。 NEMoTSはシンボリックレグレッションにおいて検索空間を大幅に削減し、表現品質を向上させる。 3つの実世界のデータセットによる実験は、NEMoTSがパフォーマンス、効率、信頼性、解釈可能性において大きな優位性を示している。
  論文  参考訳（メタデータ） (2024-09-06T02:20:13Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Scalable Spatiotemporal Prediction with Bayesian Neural Fields [3.3299088915999295]
  BayesNFは、高容量関数推定のための新しいディープニューラルネットワークアーキテクチャである。 気候および公衆衛生データセットからの統計的機械学習予測問題に対してベイズNFを評価した。
  論文  参考訳（メタデータ） (2024-03-12T13:47:50Z)
• Interpretable Short-Term Load Forecasting via Multi-Scale Temporal Decomposition [3.080999981940039]
  本稿では,ニューラルネットワークの線形結合を学習し,それぞれが入力時間の特徴に付随する解釈可能なディープラーニング手法を提案する。 ケーススタディはベルギーの中央グリッド負荷データセット上で実施されており、提案モデルは頻繁に適用されるベースラインモデルよりも精度がよいことを示した。
  論文  参考訳（メタデータ） (2024-02-18T17:55:59Z)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。 この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。 本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
  論文  参考訳（メタデータ） (2023-02-04T14:33:07Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)

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。