Fugu-MT 論文翻訳(概要): Training and Evaluating Causal Forecasting Models for Time-Series

論文の概要: Training and Evaluating Causal Forecasting Models for Time-Series

arxiv url: http://arxiv.org/abs/2411.00126v1
Date: Thu, 31 Oct 2024 18:27:54 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:42:40.240428
Title: Training and Evaluating Causal Forecasting Models for Time-Series
Title（参考訳）: 時系列の因果予測モデルの訓練と評価
Authors: Thomas Crasson, Yacine Nabet, Mathias Lécuyer,
Abstract要約: 統計的学習フレームワークを拡張して、トレーニング分布外の行動の効果を予測する際に、より一般化した因果的時系列モデルをトレーニングする。我々は、経済で人気のある回帰不連続デザインを活用して、因果治療効果のテストセットを構築します。
参考スコア（独自算出の注目度）: 1.1218431616419589
License:
Abstract: Deep learning time-series models are often used to make forecasts that inform downstream decisions. Since these decisions can differ from those in the training set, there is an implicit requirement that time-series models will generalize outside of their training distribution. Despite this core requirement, time-series models are typically trained and evaluated on in-distribution predictive tasks. We extend the orthogonal statistical learning framework to train causal time-series models that generalize better when forecasting the effect of actions outside of their training distribution. To evaluate these models, we leverage Regression Discontinuity Designs popular in economics to construct a test set of causal treatment effects.
Abstract（参考訳）: ディープラーニングの時系列モデルは、下流の意思決定を知らせる予測にしばしば使用される。これらの決定はトレーニングセットと異なる可能性があるため、時系列モデルはトレーニングディストリビューションの外で一般化されるという暗黙の要求がある。このコア要件にもかかわらず、時系列モデルは典型的にトレーニングされ、分布内予測タスクで評価される。我々は、直交統計学習フレームワークを拡張して、トレーニング分布外の行動の効果を予測する際に、より一般化した因果時系列モデルを訓練する。これらのモデルを評価するために、経済で人気のある回帰不連続設計を活用し、因果治療効果のテストセットを構築する。

関連論文リスト

On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Zero-shot forecasting of chaotic systems [6.445605125467573]
多様なドメインからの膨大な時系列データに基づいて事前訓練されたファンデーションモデル。ゼロショット学習パラダイムがカオスシステムを予測する困難な課題に拡張されるかどうかを評価する。
論文参考訳（メタデータ） (2024-09-24T05:56:58Z)
Implicit Reasoning in Deep Time Series Forecasting [16.750280337155647]
この研究は、ディープ時系列予測モデルの推論能力を評価するための最初の一歩を踏み出した。系統的に編成されたアウト・オブ・ディストリビューションシナリオにおいて,ある線形なパッチベーストランスフォーマーモデルが効果的に一般化できることが判明した。
論文参考訳（メタデータ） (2024-09-17T02:11:19Z)
Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
論文参考訳（メタデータ） (2024-09-02T22:35:03Z)
Koopman Ensembles for Probabilistic Time Series Forecasting [6.699751896019971]
独立に訓練されたモデルのアンサンブルは極めて過信であり、メンバーに高いモデル間分散による予測を明示的に促す訓練基準を用いることで、アンサンブルの不確実性を大幅に改善することを示す。
論文参考訳（メタデータ） (2024-03-11T14:29:56Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文参考訳（メタデータ） (2023-10-24T22:59:56Z)
EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。 EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文参考訳（メタデータ） (2023-05-31T13:25:26Z)
DynaConF: Dynamic Forecasting of Non-Stationary Time Series [4.286546152336783]
非定常条件分布を時間とともにモデル化する新しい手法を提案する。我々のモデルは、最先端のディープラーニングソリューションよりも定常的でない時系列に適応できることを示します。
論文参考訳（メタデータ） (2022-09-17T21:40:02Z)
Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文参考訳（メタデータ） (2021-02-23T05:23:35Z)
Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。