Fugu-MT 論文翻訳(概要): Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference

論文の概要: Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference

arxiv url: http://arxiv.org/abs/2407.14214v1
Date: Fri, 19 Jul 2024 11:19:43 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 17:44:33.983350
Title: Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference
Title（参考訳）: 産業時系列予測のための非現実的推論によるドメイン適応
Authors: Chao Min, Guoquan Wen, Jiangru Yuan, Jun Yi, Xing Guo,
Abstract要約: 産業時系列は、構造データが生産プロセス情報に応答するので、データ駆動意思決定に利用することができる。しかし、データ不足による少数ショットの予測や、不明な治療方針による意思決定の理解など、業界における時系列予測にはいくつかの課題がある。限られたデータで関心領域の性能を向上させるために,新しい因果ドメイン適応フレームワークCausal Domain Adaptationを提案する。
参考スコア（独自算出の注目度）: 2.5274335293977956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Industrial time-series, as a structural data responds to production process information, can be utilized to perform data-driven decision-making for effective monitoring of industrial production process. However, there are some challenges for time-series forecasting in industry, e.g., predicting few-shot caused by data shortage, and decision-confusing caused by unknown treatment policy. To cope with the problems, we propose a novel causal domain adaptation framework, Causal Domain Adaptation (CDA) forecaster to improve the performance on the interested domain with limited data (target). Firstly, we analyze the causality existing along with treatments, and thus ensure the shared causality over time. Subsequently, we propose an answer-based attention mechanism to achieve domain-invariant representation by the shared causality in both domains. Then, a novel domain-adaptation is built to model treatments and outcomes jointly training on source and target domain. The main insights are that our designed answer-based attention mechanism allows the target domain to leverage the existed causality in source time-series even with different treatments, and our forecaster can predict the counterfactual outcome of industrial time-series, meaning a guidance in production process. Compared with commonly baselines, our method on real-world and synthetic oilfield datasets demonstrates the effectiveness in across-domain prediction and the practicality in guiding production process
Abstract（参考訳）: 産業時系列は、構造データが生産工程情報に応答するので、産業生産工程を効果的に監視するためのデータ駆動意思決定に利用することができる。しかし、データ不足による少数ショットの予測や、不明な治療方針による意思決定の理解など、業界における時系列予測にはいくつかの課題がある。これらの問題に対処するため、限られたデータ(ターゲット)で関心領域の性能を向上させるために、新しい因果ドメイン適応フレームワーク、因果ドメイン適応(CDA)予測器を提案する。まず、治療とともに存在する因果関係を分析し、時間とともに共有因果関係を確実にする。次に,両領域間の共用因果関係によるドメイン不変表現を実現するための応答に基づくアテンション機構を提案する。次に、ソースドメインとターゲットドメインを共同でトレーニングする処理と成果をモデル化する新しいドメイン適応を構築します。主な洞察は、設計された回答に基づく注意機構により、異なる処理であっても、ターゲットドメインがソース時系列に存在する因果性を活用することができ、予測器は産業時系列の反実的な結果、すなわち生産過程におけるガイダンスを予測できるということである。一般的なベースラインと比較すると,本手法は実世界の油田データセットおよび合成油田データセットを用いて,ドメイン間予測の有効性と生産プロセスの指導における実用性を示す。

関連論文リスト

A Practical Approach to Causal Inference over Time [17.660953125689105]
我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
論文参考訳（メタデータ） (2024-10-14T13:45:20Z)
Robust Domain Generalisation with Causal Invariant Bayesian Neural Networks [9.999199798941424]
本稿では,推論プロセスのメカニズムからデータ分布の学習を阻害するベイズ型ニューラルネットワークを提案する。理論的,実験的に,我々のモデルは因果的介入下での推論に近似していることを示す。
論文参考訳（メタデータ） (2024-10-08T20:38:05Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
論文参考訳（メタデータ） (2024-05-16T17:55:42Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
Variational Counterfactual Prediction under Runtime Domain Corruption [50.89405221574912]
ドメインシフトとアクセス不能変数の同時発生実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。 VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
論文参考訳（メタデータ） (2023-06-23T02:54:34Z)
Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文参考訳（メタデータ） (2022-09-21T08:14:34Z)
Analyzing and modeling network travel patterns during the Ukraine invasion using crowd-sourced pervasive traffic data [3.2198211356287674]
2022年、ウクライナは侵略に苦しめられ、時間と地理に深刻な影響を与えている。本稿では,現在進行中のディスラプションが交通行動に与える影響について,解析および地域ネットワークモデルを用いて検討する。
論文参考訳（メタデータ） (2022-08-08T17:36:35Z)
Transferable Time-Series Forecasting under Causal Conditional Shift [28.059991304278572]
時系列予測における半教師付き領域適応問題に対するエンドツーエンドモデルを提案する。提案手法は, クロスドメインデータ間のグランガーカウサル構造を検出するだけでなく, 正確かつ解釈可能な予測結果を用いて, クロスドメイン時系列予測問題に対処する。
論文参考訳（メタデータ） (2021-11-05T11:50:07Z)
f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
論文参考訳（メタデータ） (2021-06-21T18:21:09Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。