論文の概要: Towards Dynamic Trend Filtering through Trend Point Detection with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2406.03665v1
• Date: Thu, 6 Jun 2024 00:50:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 18:45:29.582459
• Title: Towards Dynamic Trend Filtering through Trend Point Detection with Reinforcement Learning
• Title（参考訳）: 強化学習によるトレンドポイント検出による動的トレンドフィルタリングに向けて
• Authors: Jihyeon Seong, Sekwang Oh, Jaesik Choi,
• Abstract要約: 我々はマルコフ決定過程(MDP)として定式化されたトレンドポイント検出を提案する。 我々はこれらの重要な点を動的トレンドポイント(DTP)と呼び、それらを補間することでトレンドを抽出する。 DTF-netは、他のトレンドフィルタリングアルゴリズムと比較して、急激な変化を捉えるのに優れていることを示す。
• 参考スコア（独自算出の注目度）: 19.50321703079894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trend filtering simplifies complex time series data by applying smoothness to filter out noise while emphasizing proximity to the original data. However, existing trend filtering methods fail to reflect abrupt changes in the trend due to `approximateness,' resulting in constant smoothness. This approximateness uniformly filters out the tail distribution of time series data, characterized by extreme values, including both abrupt changes and noise. In this paper, we propose Trend Point Detection formulated as a Markov Decision Process (MDP), a novel approach to identifying essential points that should be reflected in the trend, departing from approximations. We term these essential points as Dynamic Trend Points (DTPs) and extract trends by interpolating them. To identify DTPs, we utilize Reinforcement Learning (RL) within a discrete action space and a forecasting sum-of-squares loss function as a reward, referred to as the Dynamic Trend Filtering network (DTF-net). DTF-net integrates flexible noise filtering, preserving critical original subsequences while removing noise as required for other subsequences. We demonstrate that DTF-net excels at capturing abrupt changes compared to other trend filtering algorithms and enhances forecasting performance, as abrupt changes are predicted rather than smoothed out.
• Abstract（参考訳）: トレンドフィルタリングは、ノイズの除去にスムーズさを適用しながら、元のデータに近づいたことを強調することにより、複雑な時系列データを単純化する。 しかし, 従来のトレンドフィルタリング手法では, 「近似性」 による傾向の急激な変化を反映できないため, 一定の滑らかさが生じる。 この近似性は、急激な変化とノイズの両方を含む極端な値によって特徴づけられる時系列データのテール分布を均一にフィルタリングする。 本稿では,マルコフ決定過程 (MDP) として定式化されたトレンド点検出法を提案する。 我々はこれらの重要な点を動的トレンドポイント(DTP)と呼び、それらを補間することでトレンドを抽出する。 DTPを識別するために、離散的な行動空間内の強化学習(RL)と2乗損失関数の予測を、動的トレンドフィルタリングネットワーク(DTF-net)と呼ばれる報酬として利用する。 DTF-netはフレキシブルノイズフィルタリングを統合し、重要なオリジナルサブシーケンスを保存し、他のサブシーケンスに必要なノイズを除去する。 DTF-netは、他のトレンドフィルタリングアルゴリズムと比較して急激な変化を捉え、急激な変化をスムースにするのではなく予測するので、予測性能を向上させることを実証する。

関連論文リスト

• Change-Point Detection in Industrial Data Streams based on Online Dynamic Mode Decomposition with Control [5.293458740536858]
  オンライン動的モード分解制御(ODMDwC)に基づく新しい変化点検出手法を提案する。 本手法は,Singular-Value-Decomposition法と比較して,直感的かつ優れた検出結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-08T14:18:33Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Temporal-spatial model via Trend Filtering [12.875863572064986]
  本研究は、時間と空間の同時依存性を持つデータを対象とした非パラメトリック回帰関数の推定に焦点をあてる。 トレンド・フィルタの研究で以前は知られていなかった一意の相転移現象が、我々の分析を通して現れる。
  論文  参考訳（メタデータ） (2023-08-30T17:50:00Z)
• PENDANTSS: PEnalized Norm-ratios Disentangling Additive Noise, Trend and Sparse Spikes [1.9766522384767222]
  PENDANTSSは,スパースピーク様信号の連立トレンド除去とブラインドデコンボリューションのために提案される。 これは、スムーズな傾向とノイズがローパスフィルタリングによって幾らか分離されるという仮説と相似する。
  論文  参考訳（メタデータ） (2023-01-04T10:11:21Z)
• Neural Network-augmented Kalman Filtering for Robust Online Speech Dereverberation in Noisy Reverberant Environments [13.49645012479288]
  ノイズローバストオンラインデバーベレーションのためのニューラルネットワーク拡張アルゴリズムを提案する。 提示されたフレームワークは、単一チャネルのノイズの多い残響データセット上で堅牢なデバーベレーションを可能にする。
  論文  参考訳（メタデータ） (2022-04-06T11:38:04Z)
• Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
  オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。 周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。 逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
  論文  参考訳（メタデータ） (2022-02-28T05:49:35Z)
• Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
  ガウス過程回帰に基づく適応型低域通過フィルタを提案する。 本研究では,提案手法の誤差が一様境界であることを示す。
  論文  参考訳（メタデータ） (2021-11-05T17:06:59Z)
• Implicit Under-Parameterization Inhibits Data-Efficient Deep Reinforcement Learning [97.28695683236981]
  さらなる勾配更新により、現在の値ネットワークの表現性が低下する。 AtariとGymのベンチマークでは、オフラインとオンラインのRL設定の両方でこの現象を実証する。
  論文  参考訳（メタデータ） (2020-10-27T17:55:16Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。