論文の概要: Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2412.08435v1
- Date: Wed, 11 Dec 2024 14:57:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-12 14:04:32.144210
- Title: Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting
- Title（参考訳）: オンライン時系列予測のためのコンセプトドリフトに対する積極的モデル適応
- Authors: Lifan Zhao, Yanyan Shen,
- Abstract要約: オンライン時系列予測のための新しいプロアクティブモデル適応フレームワークである textscProceed を提示する。
textscProceedは、最近使用されているトレーニングサンプルと現在のテストサンプルの間のコンセプトドリフトを推定することで最初に動作する。
次に、推定ドリフトをパラメータ調整に効率的に変換するために適応生成器を使用する。
- 参考スコア（独自算出の注目度）: 23.50574069148193
- License:
- Abstract: Time series forecasting always faces the challenge of concept drift, where data distributions evolve over time, leading to a decline in forecast model performance. Existing solutions are based on online learning, which continually organize recent time series observations as new training samples and update model parameters according to the forecasting feedback on recent data. However, they overlook a critical issue: obtaining ground-truth future values of each sample should be delayed until after the forecast horizon. This delay creates a temporal gap between the training samples and the test sample. Our empirical analysis reveals that the gap can introduce concept drift, causing forecast models to adapt to outdated concepts. In this paper, we present \textsc{Proceed}, a novel proactive model adaptation framework for online time series forecasting. \textsc{Proceed} first operates by estimating the concept drift between the recently used training samples and the current test sample. It then employs an adaptation generator to efficiently translate the estimated drift into parameter adjustments, proactively adapting the model to the test sample. To enhance the generalization capability of the framework, \textsc{Proceed} is trained on synthetic diverse concept drifts. We conduct extensive experiments on five real-world datasets across various forecast models. The empirical study demonstrates that our proposed \textsc{Proceed} brings more performance improvements than the state-of-the-art online learning methods, significantly facilitating forecast models' resilience against concept drifts.
- Abstract（参考訳）: 時系列予測は、データ分散が時間とともに進化し、予測モデルのパフォーマンスが低下するコンセプトドリフトの課題に常に直面する。
既存のソリューションはオンライン学習に基づいており、最近の時系列観測を新しいトレーニングサンプルとして継続的に整理し、最新のデータに対する予測フィードバックに従ってモデルパラメータを更新する。
しかし、これらは重要な問題を見落としており、各サンプルの真直な将来的な値を得るには、予測の地平線後まで遅らせるべきである。
この遅延は、トレーニングサンプルとテストサンプルの間に時間的ギャップを生じさせる。
我々の経験的分析は、このギャップが概念の漂流を生じさせ、予測モデルが時代遅れの概念に適応することを明らかにする。
本稿では,オンライン時系列予測のための新しいプロアクティブモデル適応フレームワークであるtextsc{Proceed}を紹介する。
\textsc{Proceed} は、最近使用されたトレーニングサンプルと現在のテストサンプルの間のコンセプトドリフトを推定することで最初に動作する。
次に適応生成器を用いて、推定ドリフトをパラメータ調整に効率的に変換し、モデルを試験サンプルに積極的に適応させる。
フレームワークの一般化能力を高めるために, 合成多種多様な概念ドリフトに基づいて, textsc{Proceed} を訓練した。
様々な予測モデルにまたがる5つの実世界のデータセットに関する広範な実験を行う。
実験により,提案した‘textsc{Proceed’は,最先端のオンライン学習手法よりも高い性能向上を実現し,予測モデルのコンセプトドリフトに対するレジリエンスを著しく促進することを示した。
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) - Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。
提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。
予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
論文 参考訳（メタデータ） (2024-10-19T21:22:55Z) - DOTA: Distributional Test-Time Adaptation of Vision-Language Models [52.98590762456236]
トレーニングフリーテスト時動的アダプタ(TDA)は、この問題に対処するための有望なアプローチである。
単体テスト時間適応法(Dota)の簡易かつ効果的な方法を提案する。
Dotaは継続的にテストサンプルの分布を推定し、モデルがデプロイメント環境に継続的に適応できるようにします。
論文 参考訳（メタデータ） (2024-09-28T15:03:28Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Addressing Concept Shift in Online Time Series Forecasting: Detect-then-Adapt [37.98336090671441]
概念 textbfDrift textbfDetection antextbfD textbfAdaptation (D3A)
まずドリフトの概念を検知し、次に急激な適応の検出の後、現在のモデルをドリフトされた概念に積極的に適応する。
これは、トレイン-テストのパフォーマンスの不整合に寄与する重要な要因であるデータ分散ギャップを軽減するのに役立ちます。
論文 参考訳（メタデータ） (2024-03-22T04:44:43Z) - 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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳（メタデータ） (2021-11-05T11:45:02Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data [6.664111208927475]
本研究は時系列データによる分類に焦点を当てる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。
オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
論文 参考訳（メタデータ） (2020-03-27T09:44:57Z)
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。