論文の概要: AutoSTF: Decoupled Neural Architecture Search for Cost-Effective Automated Spatio-Temporal Forecasting
- arxiv url: http://arxiv.org/abs/2409.16586v1
- Date: Wed, 25 Sep 2024 03:25:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 05:45:19.489657
- Title: AutoSTF: Decoupled Neural Architecture Search for Cost-Effective Automated Spatio-Temporal Forecasting
- Title（参考訳）: AutoSTF: 費用対効果自動時空間予測のための分離型ニューラルネットワーク探索
- Authors: Tengfei Lyu, Weijia Zhang, Jinliang Deng, Hao Liu,
- Abstract要約: 本稿では,自動時間予測のための切り離されたニューラルサーチフレームワークであるAutoSTFを提案する。
提案手法は,最先端の自動時間予測手法と比較して最大13.48倍の高速化を実現する。
- 参考スコア（独自算出の注目度）: 9.622295997866551
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatio-temporal forecasting is a critical component of various smart city applications, such as transportation optimization, energy management, and socio-economic analysis. Recently, several automated spatio-temporal forecasting methods have been proposed to automatically search the optimal neural network architecture for capturing complex spatio-temporal dependencies. However, the existing automated approaches suffer from expensive neural architecture search overhead, which hinders their practical use and the further exploration of diverse spatio-temporal operators in a finer granularity. In this paper, we propose AutoSTF, a decoupled automatic neural architecture search framework for cost-effective automated spatio-temporal forecasting. From the efficiency perspective, we first decouple the mixed search space into temporal space and spatial space and respectively devise representation compression and parameter-sharing schemes to mitigate the parameter explosion. The decoupled spatio-temporal search not only expedites the model optimization process but also leaves new room for more effective spatio-temporal dependency modeling. From the effectiveness perspective, we propose a multi-patch transfer module to jointly capture multi-granularity temporal dependencies and extend the spatial search space to enable finer-grained layer-wise spatial dependency search. Extensive experiments on eight datasets demonstrate the superiority of AutoSTF in terms of both accuracy and efficiency. Specifically, our proposed method achieves up to 13.48x speed-up compared to state-of-the-art automatic spatio-temporal forecasting methods while maintaining the best forecasting accuracy.
- Abstract（参考訳）: 時空間予測は、交通の最適化、エネルギー管理、社会経済分析など、様々なスマートシティの応用において重要な要素である。
近年、複雑な時空間依存を捉えるために最適なニューラルネットワークアーキテクチャを自動検索するために、いくつかの自動時空間予測法が提案されている。
しかし、既存の自動化アプローチは高価なニューラルネットワーク探索オーバーヘッドに悩まされ、その実用性を妨げ、より微細な粒度で多様な時空間演算子を探索する。
本稿では,コスト効率の高い自動時空間予測のための分離型自動ニューラルネットワーク探索フレームワークであるAutoSTFを提案する。
効率の観点から、まず混合探索空間を時間空間と空間空間に分離し、それぞれ表現圧縮とパラメータ共有スキームを考案し、パラメータの爆発を緩和する。
分離された時空間探索は、モデル最適化プロセスを高速化するだけでなく、より効果的な時空間依存モデリングのための新たな余地も残している。
有効性の観点からは,多粒度時間的依存関係を連続的に捕捉し,空間探索空間を拡張し,よりきめ細かな層状空間依存探索を可能にするマルチパッチ転送モジュールを提案する。
8つのデータセットに対する大規模な実験は、精度と効率の両面でAutoSTFの優位性を示している。
具体的には,最新の自動時空間予測手法と比較して最大13.48倍の高速化を実現し,最高の予測精度を維持した。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Fully Automated Correlated Time Series Forecasting in Minutes [31.198713853170375]
本稿では,完全に自動化された高効率な時系列予測フレームワークを提案する。
これには、データ駆動の反復戦略が含まれており、大きな検索スペースを自動でプーンし、新しい予測タスクのための高品質な検索スペースを得る。
7つのベンチマークデータセットの実験は、このフレームワークが最先端の精度を持ち、既存の方法よりもはるかに効率的であることを示す。
論文 参考訳（メタデータ） (2024-11-06T09:02:13Z) - MLPST: MLP is All You Need for Spatio-Temporal Prediction [40.65579041549435]
交通は典型的な深層モデルに基づく予測手法である。
トラフィック予測のための純粋多層パーセプトロンアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-09-23T12:58:16Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic
Prediction [1.6449390849183363]
本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。
具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。
我々のモデルは最先端の手法と比較して約10%改善できる。
論文 参考訳（メタデータ） (2022-07-22T00:50:39Z) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳（メタデータ） (2021-08-25T18:24:34Z) - Mining Interpretable Spatio-temporal Logic Properties for Spatially
Distributed Systems [0.7585262843303869]
本稿では,時間的データに対する教師なし学習のためのアルゴリズムセットを提案する。
本手法は,複雑性決定木手法を用いて,有界記述のSTREL式を生成する。
本研究では, 都市交通, グリーンインフラストラクチャ, 大気質モニタリングなど多様な分野の事例研究におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-06-16T04:51:26Z) - ViPNAS: Efficient Video Pose Estimation via Neural Architecture Search [94.90294600817215]
高速なオンラインビデオポーズ推定のための空間的・時間的ネットワークに対する新しいニューラルネットワーク探索(NAS)手法(ViPNAS)を提案する。
空間レベルでは,ネットワーク深さ,幅,カーネルサイズ,グループ数,注目度などの5つの異なる次元の探索空間を慎重に設計する。
時間レベルでは、一連の時間的特徴融合から検索し、複数のビデオフレームの合計精度と速度を最適化する。
論文 参考訳（メタデータ） (2021-05-21T06:36:40Z) - Evolving Search Space for Neural Architecture Search [70.71153433676024]
最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。
我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。
遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
論文 参考訳（メタデータ） (2020-11-22T01:11:19Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。