Fugu-MT 論文翻訳(概要): EDformer: Embedded Decomposition Transformer for Interpretable Multivariate Time Series Predictions

論文の概要: EDformer: Embedded Decomposition Transformer for Interpretable Multivariate Time Series Predictions

arxiv url: http://arxiv.org/abs/2412.12227v1
Date: Mon, 16 Dec 2024 11:13:57 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-18 14:01:01.441992
Title: EDformer: Embedded Decomposition Transformer for Interpretable Multivariate Time Series Predictions
Title（参考訳）: EDformer:多変量時系列予測のための組込み分解変換器
Authors: Sanjay Chakraborty, Ibrahim Delibasoglu, Fredrik Heintz,
Abstract要約: 本稿では,時系列予測タスクのための組込みトランス「EDformer」を提案する。基本要素を変更することなく、Transformerアーキテクチャを再利用し、その構成部品の有能な機能について検討する。このモデルは、複雑な実世界の時系列データセットの精度と効率の観点から、最先端の予測結果を得る。
参考スコア（独自算出の注目度）: 4.075971633195745
License:
Abstract: Time series forecasting is a crucial challenge with significant applications in areas such as weather prediction, stock market analysis, and scientific simulations. This paper introduces an embedded decomposed transformer, 'EDformer', for multivariate time series forecasting tasks. Without altering the fundamental elements, we reuse the Transformer architecture and consider the capable functions of its constituent parts in this work. Edformer first decomposes the input multivariate signal into seasonal and trend components. Next, the prominent multivariate seasonal component is reconstructed across the reverse dimensions, followed by applying the attention mechanism and feed-forward network in the encoder stage. In particular, the feed-forward network is used for each variable frame to learn nonlinear representations, while the attention mechanism uses the time points of individual seasonal series embedded within variate frames to capture multivariate correlations. Therefore, the trend signal is added with projection and performs the final forecasting. The EDformer model obtains state-of-the-art predicting results in terms of accuracy and efficiency on complex real-world time series datasets. This paper also addresses model explainability techniques to provide insights into how the model makes its predictions and why specific features or time steps are important, enhancing the interpretability and trustworthiness of the forecasting results.
Abstract（参考訳）: 時系列予測は、天気予報、株式市場の分析、科学シミュレーションなどの分野における重要な応用において重要な課題である。本稿では,多変量時系列予測タスクのための組込み分解変換器「EDformer」を提案する。基本要素を変更することなく、Transformerアーキテクチャを再利用し、その構成部品の有能な機能について検討する。 Edformerは入力された多変量信号を季節成分とトレンド成分に分解する。次に、顕著な多変量季節成分を逆次元にわたって再構成し、次にエンコーダ段階で注意機構とフィードフォワードネットワークを適用する。特に、フィードフォワードネットワークは、変動フレーム毎に非線形表現を学習するために使用され、アテンションメカニズムは、変動フレーム内に埋め込まれた個々の季節系列の時間ポイントを使用して、多変量相関をキャプチャする。したがって、トレンド信号は投影と共に加算され、最終的な予測を行う。 EDformerモデルは、複雑な実世界の時系列データセットの精度と効率の観点から、最先端の予測結果を得る。また,モデルがどのような予測を行うのか,また,特定の特徴や時間ステップが重要であるのかを把握し,予測結果の解釈可能性や信頼性を高めるためのモデル説明可能性手法についても検討する。

関連論文リスト

LSEAttention is All You Need for Time Series Forecasting [0.0]
トランスフォーマーベースのアーキテクチャは自然言語処理とコンピュータビジョンにおいて顕著な成功を収めた。変圧器モデルでよく見られるエントロピー崩壊とトレーニング不安定性に対処するアプローチである textbfLSEAttention を導入する。
論文参考訳（メタデータ） (2024-10-31T09:09:39Z)
Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-10-07T07:27:39Z)
PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2024-08-20T01:56:07Z)
Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-04T20:00:45Z)
iTransformer: Inverted Transformers Are Effective for Time Series Forecasting [62.40166958002558]
iTransformerを提案する。これは、逆次元に注意とフィードフォワードのネットワークを単純に適用する。 iTransformerモデルは、挑戦的な現実世界のデータセットの最先端を実現する。
論文参考訳（メタデータ） (2023-10-10T13:44:09Z)
Stecformer: Spatio-temporal Encoding Cascaded Transformer for Multivariate Long-term Time Series Forecasting [11.021398675773055]
本稿では,特徴抽出とターゲット予測の観点から,問題の完全な解決法を提案する。抽出のために,半適応グラフを含む効率的な時間的符号化抽出器を設計し,十分な時間的情報を取得する。予測のために、異なる間隔間の相関を強化するためにカスケードデ予測器(CDP)を提案する。
論文参考訳（メタデータ） (2023-05-25T13:00:46Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
DRAformer: Differentially Reconstructed Attention Transformer for Time-Series Forecasting [7.805077630467324]
時系列予測は、機器ライフサイクル予測、天気予報、交通フロー予測など、多くの現実シナリオにおいて重要な役割を果たす。最近の研究から、様々なトランスフォーマーモデルが時系列予測において顕著な結果を示したことが観察できる。しかし、時系列予測タスクにおけるトランスフォーマーモデルの性能を制限する問題がまだ残っている。
論文参考訳（メタデータ） (2022-06-11T10:34:29Z)
A Differential Attention Fusion Model Based on Transformer for Time Series Forecasting [4.666618110838523]
時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
論文参考訳（メタデータ） (2022-02-23T10:33:12Z)
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)
Temporal Tensor Transformation Network for Multivariate Time Series Prediction [1.2354076490479515]
本稿では,時間変換ネットワーク(Temporal Transformation Network)と呼ばれる新しいディープラーニングアーキテクチャを提案する。これにより、元の多変量時系列の新しい表現が得られ、畳み込みカーネルは、比較的大きな時間領域からの可変相互作用信号だけでなく、複雑で非線形な特徴を抽出することができる。実験結果から、時間変換ネットワークは、様々なタスクにわたるウィンドウベースの予測において、最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-01-04T07:28:55Z)

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。