Fugu-MT 論文翻訳(概要): Interpretable Multivariate Time Series Forecasting Using Neural Fourier Transform

論文の概要: Interpretable Multivariate Time Series Forecasting Using Neural Fourier Transform

arxiv url: http://arxiv.org/abs/2405.13812v1
Date: Wed, 22 May 2024 16:42:32 GMT
ステータス: 処理完了
システム内更新日: 2024-05-24 23:05:13.709140
Title: Interpretable Multivariate Time Series Forecasting Using Neural Fourier Transform
Title（参考訳）: ニューラルフーリエ変換を用いた解釈可能な多変量時系列予測
Authors: Noam Koren, Kira Radinsky,
Abstract要約: 本稿では,多次元フーリエ変換と時間畳み込みネットワーク層を組み合わせたニューラルフーリエ変換(NFT)アルゴリズムを提案する。この研究のコードは公開されている。
参考スコア（独自算出の注目度）: 22.154465616964263
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multivariate time series forecasting is a pivotal task in several domains, including financial planning, medical diagnostics, and climate science. This paper presents the Neural Fourier Transform (NFT) algorithm, which combines multi-dimensional Fourier transforms with Temporal Convolutional Network layers to improve both the accuracy and interpretability of forecasts. The Neural Fourier Transform is empirically validated on fourteen diverse datasets, showing superior performance across multiple forecasting horizons and lookbacks, setting new benchmarks in the field. This work advances multivariate time series forecasting by providing a model that is both interpretable and highly predictive, making it a valuable tool for both practitioners and researchers. The code for this study is publicly available.
Abstract（参考訳）: 多変量時系列予測は、金融計画、医療診断、気候科学など、いくつかの領域において重要な課題である。本稿では,多次元フーリエ変換と時間畳み込みネットワーク層を組み合わせたニューラルフーリエ変換(NFT)アルゴリズムを提案する。 Neural Fourier Transformは14の多様なデータセットで実証的に検証されており、複数の予測水平線と振り返りに優れたパフォーマンスを示し、フィールドに新しいベンチマークを設定している。この研究は、解釈可能かつ非常に予測可能なモデルを提供することで、多変量時系列予測を推進し、実践者と研究者双方にとって価値のあるツールとなる。この研究のコードは公開されている。

関連論文リスト

PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2024-08-20T01:56:07Z)
DRFormer: Multi-Scale Transformer Utilizing Diverse Receptive Fields for Long Time-Series Forecasting [3.420673126033772]
本稿では,動的スパース学習アルゴリズムを用いた動的トークン化手法を提案する。提案するDRFormerは,実世界の様々なデータセットを用いて評価し,既存の手法と比較して,その優位性を示す実験結果を得た。
論文参考訳（メタデータ） (2024-08-05T07:26:47Z)
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)
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)
FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文参考訳（メタデータ） (2023-11-10T17:13:26Z)
WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2023-09-20T13:44:18Z)
W-Transformers : A Wavelet-based Transformer Framework for Univariate Time Series Forecasting [7.075125892721573]
我々はウェーブレットベースのトランスフォーマーエンコーダアーキテクチャを用いて,非定常時系列のトランスフォーマーモデルを構築した。各種ドメインから公開されているベンチマーク時系列データセットについて,本フレームワークの評価を行った。
論文参考訳（メタデータ） (2022-09-08T17:39:38Z)
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)
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting [19.50001395081601]
StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。畳み込みと逐次学習モジュールによって効果的に予測できる。 StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
論文参考訳（メタデータ） (2021-03-13T13:44:20Z)
Temporal Tensor Transformation Network for Multivariate Time Series Prediction [1.2354076490479515]
本稿では,時間変換ネットワーク(Temporal Transformation Network)と呼ばれる新しいディープラーニングアーキテクチャを提案する。これにより、元の多変量時系列の新しい表現が得られ、畳み込みカーネルは、比較的大きな時間領域からの可変相互作用信号だけでなく、複雑で非線形な特徴を抽出することができる。実験結果から、時間変換ネットワークは、様々なタスクにわたるウィンドウベースの予測において、最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-01-04T07:28:55Z)

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。