論文の概要: Fully Automated Correlated Time Series Forecasting in Minutes

• arxiv url: http://arxiv.org/abs/2411.05833v1
• Date: Wed, 06 Nov 2024 09:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:09.943873
• Title: Fully Automated Correlated Time Series Forecasting in Minutes
• Title（参考訳）: 完全自動関連時系列予測
• Authors: Xinle Wu, Xingjian Wu, Dalin Zhang, Miao Zhang, Chenjuan Guo, Bin Yang, Christian S. Jensen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.198713853170375
• License:
• Abstract: Societal and industrial infrastructures and systems increasingly leverage sensors that emit correlated time series. Forecasting of future values of such time series based on recorded historical values has important benefits. Automatically designed models achieve higher accuracy than manually designed models. Given a forecasting task, which includes a dataset and a forecasting horizon, automated design methods automatically search for an optimal forecasting model for the task in a manually designed search space, and then train the identified model using the dataset to enable the forecasting. Existing automated methods face three challenges. First, the search space is constructed by human experts, rending the methods only semi-automated and yielding search spaces prone to subjective biases. Second, it is time consuming to search for an optimal model. Third, training the identified model for a new task is also costly. These challenges limit the practicability of automated methods in real-world settings. To contend with the challenges, we propose a fully automated and highly efficient correlated time series forecasting framework where the search and training can be done in minutes. The framework includes a data-driven, iterative strategy to automatically prune a large search space to obtain a high-quality search space for a new forecasting task. It includes a zero-shot search strategy to efficiently identify the optimal model in the customized search space. And it includes a fast parameter adaptation strategy to accelerate the training of the identified model. Experiments on seven benchmark datasets offer evidence that the framework is capable of state-of-the-art accuracy and is much more efficient than existing methods.
• Abstract（参考訳）: 社会や産業のインフラやシステムは、相関時系列を出力するセンサーをますます活用している。 記録された歴史的価値に基づいて,このような時系列の今後の価値を予測することは重要な利点である。 自動設計モデルは手動設計モデルよりも高い精度を達成する。 データセットと予測水平線を含む予測タスクが与えられた場合、自動設計手法は、手動で設計された検索空間においてタスクの最適な予測モデルを自動的に検索し、データセットを使用して識別されたモデルをトレーニングし、予測を可能にする。 既存の自動メソッドは3つの課題に直面します。 第一に、探索空間は人間の専門家によって構築され、半自動のみの手法を曲げ、主観的偏見に起因した探索空間を得る。 第二に、最適なモデルを探すのに時間がかかります。 第三に、新しいタスクのために特定されたモデルをトレーニングするのもコストがかかる。 これらの課題は、現実世界の設定における自動メソッドの実践性を制限する。 課題に対処するため,完全自動化かつ高効率な時系列予測フレームワークを提案し,検索とトレーニングを数分で行えるようにした。 このフレームワークは、データ駆動の反復戦略を含み、大規模な検索スペースを自動的にプーンし、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。 これにはゼロショット検索戦略が含まれており、カスタマイズされた検索空間における最適なモデルを効率的に識別する。 また、同定されたモデルのトレーニングを高速化する高速パラメータ適応戦略も含んでいる。 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。

関連論文リスト

• AutoSTF: Decoupled Neural Architecture Search for Cost-Effective Automated Spatio-Temporal Forecasting [9.622295997866551]
  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。
  論文  参考訳（メタデータ） (2024-09-25T03:25:34Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• auto-sktime: Automated Time Series Forecasting [18.640815949661903]
  本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。 提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2023-12-13T21:34:30Z)
• An Automated Machine Learning Approach for Detecting Anomalous Peak Patterns in Time Series Data from a Research Watershed in the Northeastern United States Critical Zone [3.1747517745997014]
  本稿では,米国北東部臨界水域におけるセンサによる時系列データの異常検出を支援する機械学習フレームワークを提案する。 このフレームワークは特に、センサーの故障や自然現象から生じるピークパターンの異常を識別することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-09-14T19:07:50Z)
• Refining the Optimization Target for Automatic Univariate Time Series Anomaly Detection in Monitoring Services [7.950139316901604]
  本稿では,時系列異常検出モデルにおけるパラメータ自動最適化のための包括的フレームワークを提案する。 このフレームワークには,予測スコア,形状スコア,感度スコアという,3つの最適化目標が導入されている。 提案されたフレームワークは6ヶ月以上オンラインで適用され、毎分5万回以上の時系列が配信されている。
  論文  参考訳（メタデータ） (2023-07-20T07:33:36Z)
• Heuristic-free Optimization of Force-Controlled Robot Search Strategies in Stochastic Environments [13.622757453459748]
  比較的単純なペグ・イン・ホールのタスクであっても、通常、穴のような関連する特徴を見つけるために探索動作を必要とする。 本稿では,検索戦略を最適化するための自動,データ駆動型,条件付フリーな手法を提案する。 我々は、THT電子部品のスパイラルとプローブ探索の文脈において、2つの異なる産業用ロボットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-07-15T15:16:08Z)
• Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
  協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。 本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。 ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-06-14T14:30:32Z)
• 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)
• Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
  本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。 我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
  論文  参考訳（メタデータ） (2020-06-25T09:57:47Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。