論文の概要: A Hybrid Loss Framework for Decomposition-based Time Series Forecasting Methods: Balancing Global and Component Errors
- arxiv url: http://arxiv.org/abs/2411.11340v1
- Date: Mon, 18 Nov 2024 07:15:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:35:34.539671
- Title: A Hybrid Loss Framework for Decomposition-based Time Series Forecasting Methods: Balancing Global and Component Errors
- Title（参考訳）: 分解に基づく時系列予測手法のためのハイブリッドロスフレームワーク:グローバルエラーとコンポーネントエラーのバランス
- Authors: Ronghui Han, Duanyu Feng, Hongyu Du, Hao Wang,
- Abstract要約: シーケンス分解を伴う既存の時系列手法における全体の損失の影響について検討する。
その結果,全体の損失はモデル学習に偏りをもたらし,より重要なサブシリーズの優先順位付けの学習を妨げることが明らかとなった。
グローバルな損失とコンポーネントの損失を組み合わせたハイブリッド・ロス・フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.92625489118339
- License:
- Abstract: Accurate time series forecasting, predicting future values based on past data, is crucial for diverse industries. Many current time series methods decompose time series into multiple sub-series, applying different model architectures and training with an end-to-end overall loss for forecasting. However, this raises a question: does this overall loss prioritize the importance of critical sub-series within the decomposition for the better performance? To investigate this, we conduct a study on the impact of overall loss on existing time series methods with sequence decomposition. Our findings reveal that overall loss may introduce bias in model learning, hindering the learning of the prioritization of more significant sub-series and limiting the forecasting performance. To address this, we propose a hybrid loss framework combining the global and component losses. This framework introduces component losses for each sub-series alongside the original overall loss. It employs a dual min-max algorithm to dynamically adjust weights between the overall loss and component losses, and within component losses. This enables the model to achieve better performance of current time series methods by focusing on more critical sub-series while still maintaining a low overall loss. We integrate our loss framework into several time series methods and evaluate the performance on multiple datasets. Results show an average improvement of 0.5-2% over existing methods without any modifications to the model architectures.
- Abstract（参考訳）: 過去のデータに基づいて将来の価値を予測する正確な時系列予測は、多様な産業にとって不可欠である。
現在の時系列メソッドの多くは、時系列を複数のサブシリーズに分解し、異なるモデルアーキテクチャを適用し、予測のためのエンド・ツー・エンドの全体的な損失でトレーニングする。
しかし、この全体的な損失は、より良いパフォーマンスを得るために、分解の中で重要なサブシリーズの重要性を優先するのだろうか?
そこで本研究では,シーケンス分解を伴う既存の時系列手法における全体の損失の影響について検討する。
その結果,全体の損失はモデル学習に偏りをもたらし,より重要なサブシリーズの優先順位付けの学習を阻害し,予測性能を低下させる可能性が示唆された。
これを解決するために,グローバルとコンポーネントの損失を組み合わせたハイブリッド・ロス・フレームワークを提案する。
このフレームワークは、各サブシリーズに対するコンポーネントの損失と、当初の全体的な損失を同時に導入する。
2つのmin-maxアルゴリズムを用いて、全体の損失とコンポーネントの損失の間の重みを動的に調整する。
これにより、モデルは、全体的な損失を低く保ちながら、よりクリティカルなサブシリーズに集中することで、現在の時系列メソッドのパフォーマンスを向上させることができる。
我々は、ロスフレームワークを複数の時系列メソッドに統合し、複数のデータセットのパフォーマンスを評価する。
その結果、モデルアーキテクチャを変更することなく、既存の手法よりも0.5-2%の平均的な改善が見られた。
関連論文リスト
- Fine-Tuning a Time Series Foundation Model with Wasserstein Loss [0.0]
クロスエントロピー損失をワッサーシュタイン損失に置き換えることで,点推定が大幅に向上することを示す。
その結果, クロスエントロピー損失をワッサーシュタイン損失に置き換えることにより, 点推定が大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2024-09-18T18:36:18Z) - MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳（メタデータ） (2024-05-30T03:32:44Z) - Hierarchical Classification Auxiliary Network for Time Series Forecasting [26.92086695600799]
本稿では,時系列値をトークン化して,クロスエントロピー損失による予測モデルをトレーニングする手法を提案する。
本稿では,任意の予測モデルと統合可能な一般モデル非依存コンポーネントである階層分類補助ネットワークHCANを提案する。
HCANと最先端の予測モデルを統合する実験は、いくつかの実世界のデータセットのベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2024-05-29T10:38:25Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - A novel decomposed-ensemble time series forecasting framework: capturing
underlying volatility information [6.590038231008498]
本稿では, 時系列予測のパラダイムを提案する。このパラダイムは, 分解と, 時系列の揺らぎ情報を取得する能力を統合するものである。
各サブモードの数値データとボラティリティ情報の両方を利用してニューラルネットワークを訓練する。
このネットワークはサブモデムの情報予測に長けており、全てのサブモデムの予測を集約して最終的な出力を生成する。
論文 参考訳（メタデータ） (2023-10-13T01:50:43Z) - Time Series Forecasting Models Copy the Past: How to Mitigate [24.397660153755997]
ノイズや不確実性の存在下では、ニューラルネットワークモデルは時系列の最後の観測値を複製する傾向がある。
本稿では、以前に見られた値の複製を罰する正規化項を提案する。
以上の結果から, 正規化という用語は, 上記の問題をある程度緩和し, より堅牢なモデルがもたらされることが示唆された。
論文 参考訳（メタデータ） (2022-07-27T10:39:00Z) - Investigating Tradeoffs in Real-World Video Super-Resolution [90.81396836308085]
実世界のビデオ超解像(VSR)モデルは、一般化性を改善するために様々な劣化で訓練されることが多い。
最初のトレードオフを軽減するために,性能を犠牲にすることなく,最大40%のトレーニング時間を削減できる劣化手法を提案する。
そこで本研究では,多種多様な実世界の低品質映像系列を含むビデオLQデータセットを提案する。
論文 参考訳（メタデータ） (2021-11-24T18:58:21Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳（メタデータ） (2021-04-06T18:52:45Z) - Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。
ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。
我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
論文 参考訳（メタデータ） (2020-10-05T01:58:32Z)
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。