論文の概要: Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach

• arxiv url: http://arxiv.org/abs/2406.05088v1
• Date: Fri, 7 Jun 2024 17:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 13:02:56.891195
• Title: Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach
• Title（参考訳）: 時系列予測アーキテクチャの最適化 - 階層型ニューラルネットワーク検索アプローチ
• Authors: Difan Deng, Marius Lindauer,
• Abstract要約: 本稿では,時系列予測タスクのための階層型ニューラルネットワーク探索手法を提案する。 階層型検索空間の設計により,タスク予測用に設計された多くのアーキテクチャタイプを組み込んだ。 長期予測タスクの結果から,本手法が軽量な高性能予測アーキテクチャを探索できることが示唆された。
• 参考スコア（独自算出の注目度）: 17.391148813359088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of time series forecasting research has brought many deep learning-based modules in this field. However, despite the increasing amount of new forecasting architectures, it is still unclear if we have leveraged the full potential of these existing modules within a properly designed architecture. In this work, we propose a novel hierarchical neural architecture search approach for time series forecasting tasks. With the design of a hierarchical search space, we incorporate many architecture types designed for forecasting tasks and allow for the efficient combination of different forecasting architecture modules. Results on long-term-time-series-forecasting tasks show that our approach can search for lightweight high-performing forecasting architectures across different forecasting tasks.
• Abstract（参考訳）: 時系列予測研究の急速な発展は、この分野に多くのディープラーニングベースのモジュールをもたらした。 しかし、新しい予測アーキテクチャが増えているにもかかわらず、これらの既存のモジュールの潜在能力を適切に設計されたアーキテクチャで活用したかどうかはまだ不明である。 本研究では,時系列予測タスクのための階層型ニューラルネットワーク探索手法を提案する。 階層的な探索空間の設計により,タスク予測用に設計された多くのアーキテクチャタイプが組み込まれ,異なる予測アーキテクチャモジュールを効率的に組み合わせることができる。 長期予測タスクの結果から,本手法は様々な予測タスクにまたがる軽量なハイパフォーマンス予測アーキテクチャを探索できることを示す。

関連論文リスト

• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Building Optimal Neural Architectures using Interpretable Knowledge [15.66288233048004]
  AutoBuildは、オペレーションとアーキテクチャモジュールの潜伏した埋め込みと、それらが現れるアーキテクチャの地味なパフォーマンスを整合させるスキームである。 比較的少数の評価済みアーキテクチャをマイニングすることで、AutoBuildは高品質なアーキテクチャを直接構築するか、あるいは検索スペースを減らして関連分野に集中できることを示す。
  論文  参考訳（メタデータ） (2024-03-20T04:18:38Z)
• S4Sleep: Elucidating the design space of deep-learning-based sleep stage classification models [1.068128849363198]
  本研究では,エンコーダ・予測アーキテクチャの幅広いカテゴリにおける設計選択について検討する。 時系列およびスペクトログラム入力表現の両方に適用可能なロバストアーキテクチャを同定する。 これらのアーキテクチャは、構造化状態空間モデルを積分成分として含み、統計的に重要な性能改善を実現する。
  論文  参考訳（メタデータ） (2023-10-10T15:42:14Z)
• Learning Interpretable Models Through Multi-Objective Neural Architecture Search [0.9990687944474739]
  本稿では,タスク性能と「イントロスペクタビリティ」の両方を最適化するフレームワークを提案する。 タスクエラーとイントロスペクタビリティを共同で最適化することは、エラー内で実行されるより不整合でデバッグ可能なアーキテクチャをもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-12-16T05:50:55Z)
• Network Graph Based Neural Architecture Search [57.78724765340237]
  我々は、対応するグラフを書き換えてニューラルネットワークを探索し、グラフ特性によるアーキテクチャ性能の予測を行う。 グラフ空間全体にわたって機械学習を行わないため、探索プロセスは極めて効率的である。
  論文  参考訳（メタデータ） (2021-12-15T00:12:03Z)
• RANK-NOSH: Efficient Predictor-Based Architecture Search via Non-Uniform Successive Halving [74.61723678821049]
  予算の浪費を回避するため,早期に性能の低いアーキテクチャのトレーニングを終了する階層的スケジューリングアルゴリズムであるNOn-uniform Successive Halving (NOSH)を提案する。 予測器に基づくアーキテクチャ探索をペア比較でランク付けする学習として定式化する。 その結果、RANK-NOSHは検索予算を5倍に削減し、様々な空間やデータセットにおける従来の最先端予測手法よりも、競争力やパフォーマンスの向上を実現した。
  論文  参考訳（メタデータ） (2021-08-18T07:45:21Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• Stage-Wise Neural Architecture Search [65.03109178056937]
  ResNetやNASNetのような現代の畳み込みネットワークは、多くのコンピュータビジョンアプリケーションで最先端の結果を得た。 これらのネットワークは、同じ解像度で表現を操作するレイヤのセットであるステージで構成されている。 各ステージにおけるレイヤー数の増加はネットワークの予測能力を向上させることが示されている。 しかし、結果として得られるアーキテクチャは、浮動小数点演算、メモリ要求、推論時間の観点から計算的に高価になる。
  論文  参考訳（メタデータ） (2020-04-23T14:16:39Z)
• Stacked Boosters Network Architecture for Short Term Load Forecasting in Buildings [0.0]
  本稿では,建築エネルギー負荷の短期的負荷予測のための新しいディープラーニングアーキテクチャを提案する。 このアーキテクチャは、単純なベースラーナーと、単一のディープニューラルネットワークとしてモデル化された複数のブースティングシステムに基づいている。 このアーキテクチャは、フィンランドのオフィスビルのエネルギーデータを用いて、短期的な負荷予測タスクで評価される。
  論文  参考訳（メタデータ） (2020-01-23T08:35:36Z)

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。