論文の概要: SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
- arxiv url: http://arxiv.org/abs/2408.02159v1
- Date: Sun, 4 Aug 2024 22:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 14:56:07.367648
- Title: SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
- Title（参考訳）: SPINEX-TimeSeries:時系列および予測問題に対する説明可能な近傍探索と類似性に基づく予測
- Authors: Ahmed Z Naser, MZ Naser,
- Abstract要約: 本稿では,時系列と予測解析に特化したSPINEXファミリーを新たに導入する。
総合的なベンチマーク実験を行い、18のアルゴリズムと49の合成データセットと実データセットを比較した。
以上の結果から,SPINEXは精度の予測において常に上位5人のパフォーマーにランクされ,複雑な時間的ダイナミクスを扱う能力に優れていた。
- 参考スコア（独自算出の注目度）: 3.2432648012273346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a new addition to the SPINEX (Similarity-based Predictions with Explainable Neighbors Exploration) family, tailored specifically for time series and forecasting analysis. This new algorithm leverages the concept of similarity and higher-order temporal interactions across multiple time scales to enhance predictive accuracy and interpretability in forecasting. To evaluate the effectiveness of SPINEX, we present comprehensive benchmarking experiments comparing it against 18 algorithms and across 49 synthetic and real datasets characterized by varying trends, seasonality, and noise levels. Our performance assessment focused on forecasting accuracy and computational efficiency. Our findings reveal that SPINEX consistently ranks among the top 5 performers in forecasting precision and has a superior ability to handle complex temporal dynamics compared to commonly adopted algorithms. Moreover, the algorithm's explainability features, Pareto efficiency, and medium complexity (on the order of O(log n)) are demonstrated through detailed visualizations to enhance the prediction and decision-making process. We note that integrating similarity-based concepts opens new avenues for research in predictive analytics, promising more accurate and transparent decision making.
- Abstract（参考訳）: 本稿では,SPINEX(Similarity-based Predictions with Explainable Neighbors Exploration)ファミリーへの新たな追加について紹介する。
このアルゴリズムは、複数の時間スケールにわたる類似性と高次時間的相互作用の概念を活用し、予測精度と予測可能性を高める。
SPINEXの有効性を評価するため、18のアルゴリズムと49の合成データセットと実データセットを比較した総合的なベンチマーク実験を行った。
性能評価は,予測精度と計算効率に着目した。
以上の結果から,SPINEXは精度の予測において常に上位5人のパフォーマーにランクインし,一般に採用されているアルゴリズムと比較して複雑な時間的ダイナミクスを扱う能力に優れていた。
さらに,アルゴリズムの説明可能性,パレート効率,中間複雑性(O(log n)の順)を詳細に視覚化し,予測と意思決定のプロセスを強化する。
類似性に基づく概念の統合は、予測分析研究の新しい道を開き、より正確で透明な意思決定を約束する。
関連論文リスト
- SPINEX_ Symbolic Regression: Similarity-based Symbolic Regression with Explainable Neighbors Exploration [3.2432648012273346]
本稿では,SPINEX(Similarity-based Predictions with Explainable Neighbors Exploration)ファミリに基づく新しいシンボリック回帰アルゴリズムを提案する。
精度と構造的類似度を満足する高マート表現を識別するために、類似性に基づくアプローチを採用する。
一貫してパフォーマンスが良く、場合によってはリードアルゴリズムよりも優れています。
論文 参考訳（メタデータ） (2024-11-05T00:09:29Z) - RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。
RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。
従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
論文 参考訳（メタデータ） (2024-08-06T18:52:15Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - Unsupervised Quality Prediction for Improved Single-Frame and Weighted
Sequential Visual Place Recognition [20.737660223671003]
位置推定の質を予測できる新しい,トレーニング不要な手法を提案する。
これらの予測はシーケンスマッチングプロセスに偏りを生じさせ、さらなるパフォーマンス向上をもたらす。
我々のシステムは軽量であり、リアルタイムに動作しており、基礎となるVPR技術に非依存である。
論文 参考訳（メタデータ） (2023-07-04T03:53:05Z) - SPINEX: Similarity-based Predictions and Explainable Neighbors
Exploration for Regression and Classification Tasks in Machine Learning [1.5469452301122175]
本稿では,新しい類似性に基づく解釈可能な近傍探索アルゴリズムであるSPINEXを提案する。
アンサンブル学習と機能相互作用分析を組み合わせて、正確な予測と意味のある洞察を達成する。
その結果、SPINEXは比較性能を達成でき、いくつかのシナリオでは、一般的に採用されているMLアルゴリズム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） (2023-06-01T14:40:56Z) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳（メタデータ） (2023-01-23T18:59:28Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - A clustering approach to time series forecasting using neural networks:
A comparative study on distance-based vs. feature-based clustering methods [1.256413718364189]
動的測定を用いて時系列データを予測するために,様々なニューラルネットワークアーキテクチャを提案する。
また,異常検出やクラスタリングなどの手法が予測精度に与える影響についても検討した。
その結果,クラスタリングは全体の予測時間を改善するとともに,ニューラルネットワークの予測性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-01-27T00:31:37Z)
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。