論文の概要: Learning K-U-Net with constant complexity: An Application to time series forecasting

• arxiv url: http://arxiv.org/abs/2410.02438v1
• Date: Thu, 3 Oct 2024 12:35:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 03:20:51.326269
• Title: Learning K-U-Net with constant complexity: An Application to time series forecasting
• Title（参考訳）: 一定の複雑さを持つK-U-Netの学習:時系列予測への応用
• Authors: Jiang You, Arben Cela, René Natowicz, Jacob Ouanounou, Patrick Siarry,
• Abstract要約: 時系列予測のための深層モデルのトレーニングは、時間複雑性の固有の課題において重要なタスクである。 本稿では,ディープラーニングモデルにおいて一定の時間的複雑性を実現するために,指数関数的に重み付けされた勾配降下アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.8816077341295625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training deep models for time series forecasting is a critical task with an inherent challenge of time complexity. While current methods generally ensure linear time complexity, our observations on temporal redundancy show that high-level features are learned 98.44\% slower than low-level features. To address this issue, we introduce a new exponentially weighted stochastic gradient descent algorithm designed to achieve constant time complexity in deep learning models. We prove that the theoretical complexity of this learning method is constant. Evaluation of this method on Kernel U-Net (K-U-Net) on synthetic datasets shows a significant reduction in complexity while improving the accuracy of the test set.
• Abstract（参考訳）: 時系列予測のための深層モデルのトレーニングは、時間複雑性の固有の課題において重要なタスクである。 現在の手法は一般に線形時間的複雑性を保証しているが、時間的冗長性に関する我々の観測では、高次特徴は低次特徴よりも98.44\%遅いことが示されている。 この問題に対処するために,ディープラーニングモデルにおいて一定の時間的複雑性を実現するために,指数関数的に重み付けされた確率勾配降下アルゴリズムを導入する。 この学習手法の理論的複雑さは一定であることを示す。 合成データセット上でのKernel U-Net(K-U-Net)におけるこの手法の評価は,テストセットの精度を向上しつつ,複雑さを著しく低減することを示す。

関連論文リスト

• Krylov Complexity as a Probe for Chaos [0.7373617024876725]
  飽和に対する力学がカオス系と可積分系を正確に区別していることが示される。 カオスモデルでは、複雑性の飽和値は有限飽和時間で無限の時間平均に達する。 可積分モデルにおいて、複雑性はより長い時間スケールで下から無限の時間平均値にアプローチする。
  論文  参考訳（メタデータ） (2024-08-19T17:52:42Z)
• Concrete Dense Network for Long-Sequence Time Series Clustering [4.307648859471193]
  時系列クラスタリングは、時間的パターンを発見するためのデータ分析において基本である。 深部時間クラスタリング手法は、ニューラルネットワークのエンドツーエンドトレーニングに標準k平均を組み込もうとしている。 LoSTerは、時系列クラスタリング問題に対する新しい密集型オートエンコーダアーキテクチャである。
  論文  参考訳（メタデータ） (2024-05-08T12:31:35Z)
• Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series [26.77596449192451]
  不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。 標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。 時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-06T21:10:30Z)
• Never a Dull Moment: Distributional Properties as a Baseline for Time-Series Classification [0.0]
  極めて単純な分類手法の性能を評価する。 平均偏差と標準偏差に基づく単純な線形モデルは、統合失調症の個人を分類する上でより優れている。
  論文  参考訳（メタデータ） (2023-03-31T05:55:54Z)
• Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
  統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。 予測と高い確率で、新しい過剰なリスク境界を提供する。 我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
  論文  参考訳（メタデータ） (2022-11-03T12:40:24Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• A Temporal Kernel Approach for Deep Learning with Continuous-time Information [18.204325860752768]
  RNN、因果CNN、注意メカニズムなどのシーケンスディープラーニングモデルは、連続時間情報を容易に消費しません。 時間的データの離散化は、単純な連続時間プロセスにおいても不整合を引き起こす。 我々は,ディープラーニングツールを用いた連続時間システムの特徴付け手法を提案する。
  論文  参考訳（メタデータ） (2021-03-28T20:13:53Z)
• On Function Approximation in Reinforcement Learning: Optimism in the Face of Large State Spaces [208.67848059021915]
  強化学習のコアにおける探索・探索トレードオフについて検討する。 特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。 私たちの後悔の限界はエピソードの数とは無関係です。
  論文  参考訳（メタデータ） (2020-11-09T18:32:22Z)
• Neural Complexity Measures [96.06344259626127]
  本稿では,一般化を予測するメタラーニングフレームワークであるNeural Complexity(NC)を提案する。 我々のモデルは、データ駆動方式で、多くの異種タスクとの相互作用を通じてスカラー複雑性尺度を学習する。
  論文  参考訳（メタデータ） (2020-08-07T02:12:10Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。