論文の概要: Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2408.10951v1
• Date: Tue, 20 Aug 2024 15:42:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 13:05:41.871208
• Title: Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting
• Title（参考訳）: Wave-Mask/Mix:時系列予測のためのウェーブレットに基づく拡張探索
• Authors: Dona Arabi, Jafar Bakhshaliyev, Ayse Coskuner, Kiran Madhusudhanan, Kami Serdar Uckardes,
• Abstract要約: 本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。 我々の知る限り、DWTを用いた多変量時系列に関する広範な実験を行った最初の研究である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation is important for improving machine learning model performance when faced with limited real-world data. In time series forecasting (TSF), where accurate predictions are crucial in fields like finance, healthcare, and manufacturing, traditional augmentation methods for classification tasks are insufficient to maintain temporal coherence. This research introduces two augmentation approaches using the discrete wavelet transform (DWT) to adjust frequency elements while preserving temporal dependencies in time series data. Our methods, Wavelet Masking (WaveMask) and Wavelet Mixing (WaveMix), are evaluated against established baselines across various forecasting horizons. To the best of our knowledge, this is the first study to conduct extensive experiments on multivariate time series using Discrete Wavelet Transform as an augmentation technique. Experimental results demonstrate that our techniques achieve competitive results with previous methods. We also explore cold-start forecasting using downsampled training datasets, comparing outcomes to baseline methods.
• Abstract（参考訳）: データ拡張は、限られた実世界のデータに直面した場合、機械学習モデルのパフォーマンスを改善するために重要である。 金融、医療、製造業といった分野において正確な予測が重要である時系列予測(TSF)では、時間的一貫性を維持するために伝統的な分類タスクの強化方法が不十分である。 本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。 提案手法であるウェーブレット・マスキング(WaveMask)とウェーブレット・ミキシング(WaveMix)は,様々な予測地平線上で確立されたベースラインに対して評価される。 我々の知る限りでは、離散ウェーブレット変換を拡張手法として多変量時系列の広範な実験を行うのは、これが初めてである。 実験により,本手法は従来手法と競合する結果が得られた。 また、ダウンサンプルトレーニングデータセットを用いたコールドスタート予測についても検討し、その結果をベースライン手法と比較する。

関連論文リスト

• Leveraging Non-Decimated Wavelet Packet Features and Transformer Models for Time Series Forecasting [0.0]
  非時間的および時間的予測手法の入力特徴として,異なる数の消滅モーメントを持つDaubechieウェーブレットを用いる。 我々は,これらのウェーブレットの特徴を,従来の研究よりもはるかに広い予測手法を用いて評価した。
  論文  参考訳（メタデータ） (2024-03-13T15:45:29Z)
• FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
  時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。 本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Enhancing Algorithm Performance Understanding through tsMorph: Generating Semi-Synthetic Time Series for Robust Forecasting Evaluation [0.393259574660092]
  本稿では,データセットのモーフィングによる半合成時系列生成ツールであるtsMorphについて述べる。 本稿では,Long Short-Term Memory NetworkとDeepAR予測アルゴリズムの予測性能を評価することにより,tsMorphの利点を示す。
  論文  参考訳（メタデータ） (2023-12-03T10:40:07Z)
• Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series [0.614609308117547]
  本稿では,GW観測所から異なる種類のノイズやパターンを検出するための2つの新しい機械学習アンサンブル手法を提案する。 我々は、Advanced Laser Interferometer GW Observatoryによって収集された実世界のデータから、注釈付き時系列からなるデータセット上で、我々のモデルを訓練し、テストする。 提案したDeepWaves Ensembleに次いでShallowWaves Ensembleに近づいた。
  論文  参考訳（メタデータ） (2023-11-02T10:07:30Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• FrAug: Frequency Domain Augmentation for Time Series Forecasting [6.508992154478217]
  データ拡張(DA)は、ディープラーニングのためのトレーニングデータサイズを拡張するデファクトソリューションになっています。 本稿では、予測における拡張データ-ラベルペアのセマンティック一貫性を保証するための、単純で効果的な周波数領域拡張手法を提案する。 その結果,ほとんどの場合,FrAugはTSFモデルの予測精度を高めることができることがわかった。
  論文  参考訳（メタデータ） (2023-02-18T11:25:42Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model [4.903969235471705]
  深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
  論文  参考訳（メタデータ） (2021-10-09T06:26:42Z)
• Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
  本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。 提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。 静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
  論文  参考訳（メタデータ） (2020-06-23T09:19:13Z)

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。