論文の概要: TimeCHEAT: A Channel Harmony Strategy for Irregularly Sampled Multivariate Time Series Analysis
- arxiv url: http://arxiv.org/abs/2412.12886v1
- Date: Tue, 17 Dec 2024 13:10:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:57:49.912805
- Title: TimeCHEAT: A Channel Harmony Strategy for Irregularly Sampled Multivariate Time Series Analysis
- Title(参考訳): TimeCHEAT:不規則サンプリング型多変量時系列解析のためのチャネル調和戦略
- Authors: Jiexi Liu, Meng Cao, Songcan Chen,
- Abstract要約: チャネル非依存(CI)とチャネル依存(CD)戦略は、ローカルおよびグローバルに適用することができる。
本稿では,Channel Harmony ISMTS Transformer(TimeCHEAT)を紹介する。
グローバルに、CI戦略はパッチを越えて適用され、Transformerは各チャネルの個別の注意パターンを学ぶことができる。
実験の結果,提案するTimeCHEATは,3つのメインストリームタスクにまたがる競合SOTA性能を示すことがわかった。
- 参考スコア(独自算出の注目度): 45.34420094525063
- License:
- Abstract: Irregularly sampled multivariate time series (ISMTS) are prevalent in reality. Due to their non-uniform intervals between successive observations and varying sampling rates among series, the channel-independent (CI) strategy, which has been demonstrated more desirable for complete multivariate time series forecasting in recent studies, has failed. This failure can be further attributed to the sampling sparsity, which provides insufficient information for effective CI learning, thereby reducing its capacity. When we resort to the channel-dependent (CD) strategy, even higher capacity cannot mitigate the potential loss of diversity in learning similar embedding patterns across different channels. We find that existing work considers CI and CD strategies to be mutually exclusive, primarily because they apply these strategies to the global channel. However, we hold the view that channel strategies do not necessarily have to be used globally. Instead, by appropriately applying them locally and globally, we can create an opportunity to take full advantage of both strategies. This leads us to introduce the Channel Harmony ISMTS Transformer (TimeCHEAT), which utilizes the CD locally and the CI globally. Specifically, we segment the ISMTS into sub-series level patches. Locally, the CD strategy aggregates information within each patch for time embedding learning, maximizing the use of relevant observations while reducing long-range irrelevant interference. Here, we enhance generality by transforming embedding learning into an edge weight prediction task using bipartite graphs, eliminating the need for special prior knowledge. Globally, the CI strategy is applied across patches, allowing the Transformer to learn individualized attention patterns for each channel. Experimental results indicate our proposed TimeCHEAT demonstrates competitive SOTA performance across three mainstream tasks.
- Abstract(参考訳): 不規則にサンプリングされた多変量時系列(ISMTS)は現実には一般的である。
連続観測とシリーズ間のサンプリング率の変動の間に不均一な間隔があるため、チャネル非依存(CI)戦略は、近年の研究では、完全多変量時系列予測においてより望ましいことが示されているが、失敗している。
この失敗は、効果的なCI学習のための不十分な情報を提供し、それによってキャパシティを低下させるサンプリングスペシャリティによってさらに引き起こされる可能性がある。
チャネル依存型(CD)戦略を採用すると、より多くのキャパシティが、異なるチャネルにまたがる同様の埋め込みパターンを学習する際の多様性の潜在的な損失を軽減することはできない。
既存の作業では,CIとCDの戦略は相互排他的だと考えています。
しかし、チャネル戦略が必ずしもグローバルに使用される必要はないという見解を持っている。
代わりに、それらをローカルかつグローバルに適切に適用することで、両方の戦略を最大限に活用する機会を創出できます。
これにより,CDをローカルに,CIをグローバルに利用するChannel Harmony ISMTS Transformer(TimeCHEAT)を導入することができる。
具体的には、ISMTSをサブシリーズレベルのパッチに分割する。
局所的には、CD戦略は、時間埋め込み学習のために各パッチ内の情報を集約し、関連する観測の使用を最大化し、長距離無関係干渉を減らす。
ここでは,埋め込み学習を二部グラフを用いたエッジウェイト予測タスクに変換することで一般性を向上し,特別な事前知識の必要性を排除した。
グローバルに、CI戦略はパッチを越えて適用され、Transformerは各チャネルの個別の注意パターンを学ぶことができる。
実験の結果,提案するTimeCHEATは,3つのメインストリームタスクにまたがる競合SOTA性能を示すことがわかった。
関連論文リスト
- DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting [13.05900224897486]
実世界の時系列は、時間とともに分布の変化によって引き起こされる異質な時間パターンを示すことが多い。
チャネル間の相関は複雑で絡み合っており、チャネル間の相互作用を正確にかつ柔軟にモデル化することは困難である。
本稿では,時空間とチャネル次元に2つのクラスタリングを導入するDUETというフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-14T15:15:17Z) - SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。
いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。
本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文 参考訳(メタデータ) (2024-04-22T14:06:35Z) - From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
CCM(Channel Clustering Module)を開発した。
CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。
CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
論文 参考訳(メタデータ) (2024-03-31T02:46:27Z) - MCformer: Multivariate Time Series Forecasting with Mixed-Channels Transformer [8.329947472853029]
Channel Independence(CI)戦略は、すべてのチャネルを単一のチャネルとして扱い、データセットを拡張する。
Mixed Channels戦略は、CI戦略のデータ拡張アドバンテージと、チャネル間の相関を忘れないように対処する機能を組み合わせたものだ。
モデルは特定の数のチャネルをブレンドし、チャネル間の相関情報を効果的に取得するための注意機構を活用する。
論文 参考訳(メタデータ) (2024-03-14T09:43:07Z) - Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [95.49699178874683]
拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。
DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。
そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
論文 参考訳(メタデータ) (2023-11-23T15:47:33Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:15:33Z) - DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting [83.60876685008225]
PTS予測のための深層拡張学習フレームワークDEPTSを導入する。
DEPTSは、周期状態を隠れ変数として導入することで、分離された定式化から始まる。
我々の2つのカスタマイズされたモジュールは、局所的なモーメントまたはグローバルな周期性に予測を帰属させるなど、ある程度の解釈可能な能力を持っている。
論文 参考訳(メタデータ) (2022-03-15T06:51:58Z)
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。