論文の概要: Amplifier: Bringing Attention to Neglected Low-Energy Components in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2501.17216v2
• Date: Thu, 20 Feb 2025 08:50:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 17:43:30.392654
• Title: Amplifier: Bringing Attention to Neglected Low-Energy Components in Time Series Forecasting
• Title（参考訳）: 増幅器:時系列予測における負の低エネルギー成分への注意を促す
• Authors: Jingru Fei, Kun Yi, Wei Fan, Qi Zhang, Zhendong Niu,
• Abstract要約: 本稿では,既存のモデルが時系列予測において,低エネルギー成分を容易に見落としてしまう問題に対処するエネルギー増幅手法を提案する。 この技術は、エネルギ増幅ブロックとエネルギ回復ブロックとを備える。
• 参考スコア（独自算出の注目度）: 18.966896849067716
• License:
• Abstract: We propose an energy amplification technique to address the issue that existing models easily overlook low-energy components in time series forecasting. This technique comprises an energy amplification block and an energy restoration block. The energy amplification block enhances the energy of low-energy components to improve the model's learning efficiency for these components, while the energy restoration block returns the energy to its original level. Moreover, considering that the energy-amplified data typically displays two distinct energy peaks in the frequency spectrum, we integrate the energy amplification technique with a seasonal-trend forecaster to model the temporal relationships of these two peaks independently, serving as the backbone for our proposed model, Amplifier. Additionally, we propose a semi-channel interaction temporal relationship enhancement block for Amplifier, which enhances the model's ability to capture temporal relationships from the perspective of the commonality and specificity of each channel in the data. Extensive experiments on eight time series forecasting benchmarks consistently demonstrate our model's superiority in both effectiveness and efficiency compared to state-of-the-art methods.
• Abstract（参考訳）: 本稿では,既存のモデルが時系列予測において,低エネルギー成分を容易に見落としてしまう問題に対処するエネルギー増幅手法を提案する。 エネルギー増幅ブロックとエネルギー回復ブロックとを備える。 エネルギー増幅ブロックは低エネルギー成分のエネルギーを高め、これらの成分の学習効率を向上させる一方、エネルギー回復ブロックはエネルギーを元のレベルに戻す。 さらに、エネルギー増幅データは通常、周波数スペクトルに2つの異なるエネルギーピークを示すことを考慮し、このエネルギー増幅技術と季節差予測器を統合し、これらの2つのピークの時間的関係を独立にモデル化し、提案モデルである増幅器のバックボーンとして機能する。 さらに,データ内の各チャネルの共通性と特異性の観点から,時間的関係を捉える能力を高めることを目的とした,アンプリファイアのための半チャネル間相互作用時間関係拡張ブロックを提案する。 8つの時系列予測ベンチマークの大規模な実験は、最先端の手法と比較して、有効性と効率の両面でモデルの優位性を一貫して示している。

関連論文リスト

• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• ARLON: Boosting Diffusion Transformers with Autoregressive Models for Long Video Generation [83.62931466231898]
  本稿では,長期ビデオ生成のための自己回帰モデルを用いた拡散変換器を高速化するフレームワークARLONを提案する。 潜在ベクトル量子変分オートコーダ(VQ-VAE)は、DiTモデルの入力潜時空間をコンパクトなビジュアルトークンに圧縮する。 適応ノルムベースのセマンティックインジェクションモジュールは、ARモデルから粗い離散視覚ユニットをDiTモデルに統合する。
  論文  参考訳（メタデータ） (2024-10-27T16:28:28Z)
• On Feature Diversity in Energy-based Models [98.78384185493624]
  エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
  論文  参考訳（メタデータ） (2023-06-02T12:30:42Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Cascaded Deep Hybrid Models for Multistep Household Energy Consumption Forecasting [5.478764356647437]
  本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。 提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2022-07-06T11:02:23Z)
• Short-Term Power Prediction for Renewable Energy Using Hybrid Graph Convolutional Network and Long Short-Term Memory Approach [2.218886082289257]
  再生可能エネルギーの短期的なパワーは常に複雑な回帰問題とみなされてきた。 本稿では,新しいグラフニューラルネットワークを用いた短期電力予測手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T18:15:31Z)
• Two-stage building energy consumption clustering based on temporal and peak demand patterns [3.364554138758565]
  本稿では,負荷形状の時間的パターンとピーク要求をより正確に把握する2段階クラスタリング手法を提案する。 第一段階では、大量のクラスターがエネルギー使用パターンの変動を正確に捉えることによって、負荷形状がクラスタ化される。 第2段階では、ダイナミック・タイム・ワープ(Dynamic Time Warping)を用いて、類似のセントロイドとパワー・マグニチュード・レンジのクラスタをマージする。
  論文  参考訳（メタデータ） (2020-08-10T17:42:48Z)
• Energy-based View of Retrosynthesis [70.66156081030766]
  エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。 本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。 このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
  論文  参考訳（メタデータ） (2020-07-14T18:51:06Z)
• Energy-Based Processes for Exchangeable Data [109.04978766553612]
  エネルギーベースモデルを交換可能なデータに拡張するために、エネルギーベースプロセス(EBP)を導入する。 EBPの鍵となる利点は、集合上のより柔軟な分布を、その濃度を制限することなく表現できることである。 本研究では,多種多様なタスクにおける最先端性能を実演する電子掲示板の効率的な訓練手順を開発する。
  論文  参考訳（メタデータ） (2020-03-17T04:26:02Z)

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。