論文の概要: Is Precise Recovery Necessary? A Task-Oriented Imputation Approach for Time Series Forecasting on Variable Subset

• arxiv url: http://arxiv.org/abs/2411.09928v1
• Date: Fri, 15 Nov 2024 04:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:37:42.091671
• Title: Is Precise Recovery Necessary? A Task-Oriented Imputation Approach for Time Series Forecasting on Variable Subset
• Title（参考訳）: 高精度回復は必要か? 可変サブセット上での時系列予測のためのタスク指向インプット手法
• Authors: Qi Hao, Runchang Liang, Yue Gao, Hao Dong, Wei Fan, Lu Jiang, Pengyang Wang,
• Abstract要約: 時系列予測のための可変サブセット予測のためのタスク指向インプット(TOI-VSF)を提案する。 TOI-VSFは、不足変数を補うように設計された予測モデルに依存しない自己教師型計算モジュールを組み込んでいる。 4つのデータセットにわたる大規模な実験は、TOI-VSFの優位性を示し、ベースラインメソッドを平均15%以上上回っている。
• 参考スコア（独自算出の注目度）: 27.180618587832463
• License:
• Abstract: Variable Subset Forecasting (VSF) refers to a unique scenario in multivariate time series forecasting, where available variables in the inference phase are only a subset of the variables in the training phase. VSF presents significant challenges as the entire time series may be missing, and neither inter- nor intra-variable correlations persist. Such conditions impede the effectiveness of traditional imputation methods, primarily focusing on filling in individual missing data points. Inspired by the principle of feature engineering that not all variables contribute positively to forecasting, we propose Task-Oriented Imputation for VSF (TOI-VSF), a novel framework shifts the focus from accurate data recovery to directly support the downstream forecasting task. TOI-VSF incorporates a self-supervised imputation module, agnostic to the forecasting model, designed to fill in missing variables while preserving the vital characteristics and temporal patterns of time series data. Additionally, we implement a joint learning strategy for imputation and forecasting, ensuring that the imputation process is directly aligned with and beneficial to the forecasting objective. Extensive experiments across four datasets demonstrate the superiority of TOI-VSF, outperforming baseline methods by $15\%$ on average.
• Abstract（参考訳）: VSF(Variable Subset Forecasting)とは、多変量時系列予測において、推論フェーズで利用可能な変数はトレーニングフェーズにおける変数のサブセットのみである、ユニークなシナリオを指す。 VSFは、時系列全体が欠落している可能性があるため、重要な課題を示し、相互または変数間の相関は持続しない。 このような条件は、主に個々の欠落したデータポイントを埋めることに焦点を当てた従来の計算方法の有効性を阻害する。 全ての変数が予測に肯定的な貢献をするわけではない機能工学の原則に着想を得て,新しいフレームワークであるTOI-VSF(Task-Oriented Imputation for VSF)を提案する。 TOI-VSFには、予測モデルに非依存な自己教師型計算モジュールが組み込まれている。 さらに,計算と予測のための共同学習戦略を実装し,計算プロセスが直接一致し,予測対象に有益であることを保証する。 4つのデータセットにわたる大規模な実験は、TOI-VSFの優位性を示し、ベースラインメソッドを平均15.%以上上回っている。

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)
• DAM: Towards A Foundation Model for Time Series Forecasting [0.8231118867997028]
  本稿では,ランダムにサンプリングされた履歴を抽出し,時間連続関数として調整可能な基底組成を出力するニューラルモデルを提案する。 1)長い尾の分布からランダムにサンプリングされたヒストリーを使用する柔軟なアプローチ、(2)これらの活発にサンプリングされたヒストリーに基づいてトレーニングされたトランスフォーマーバックボーンを表現的出力として、(3)時間の連続関数の基底係数を含む。
  論文  参考訳（メタデータ） (2024-07-25T08:48:07Z)
• Time-Series Forecasting for Out-of-Distribution Generalization Using Invariant Learning [33.68869067717862]
  時系列予測(TSF)は、現実世界のシナリオにおいて幅広い応用を見出す。 本稿では,TSFにおける固有のOOD問題を不変学習を用いて緩和することを目的とする。 Invariant Learning によるアウト・オブ・ディストリビューションの一般化のための時系列予測を可能にするモデルに依存しないフレームワーク FOIL を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:01:34Z)
• DeformTime: Capturing Variable Dependencies with Deformable Attention for Time Series Forecasting [0.34530027457862006]
  入力空間から相関時間パターンを捕捉しようとするニューラルネットワークアーキテクチャであるDeformTimeを提案する。 これまでに確立されたベンチマークを用いて,6つのMTSデータセットに関する広範な実験を行った。 その結果,DeformTimeはMSS予測タスクの大部分にわたる従来の競合手法と比較して精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-06-11T16:45:48Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Multi-Variate Time Series Forecasting on Variable Subsets [18.883419091780265]
  長期データ損失や、列車/テスト間の低リソース領域シフトのため、推論中に変数が欠落する。 本稿では,既存の予測モデル上で適用可能な非パラメトリックラッパー手法を提案する。 本手法は,元の変数の15%しか存在しない場合でも,モデルの95%に近い性能を回復可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-25T11:31:30Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series [20.958959332978726]
  SAFは、バックキャストに基づく予測に先立って自己適応段階を統合する」 提案手法は,符号化された表現を進化する分布に効率よく適応させることにより,より優れた一般化を実現する。 時系列データが医療や金融などの非定常性で知られる領域における合成および実世界のデータセットについて、SAFの顕著なメリットを実証する。
  論文  参考訳（メタデータ） (2022-02-04T21:54:10Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。