Fugu-MT 論文翻訳(概要): Forecasting time series with constraints

論文の概要: Forecasting time series with constraints

arxiv url: http://arxiv.org/abs/2502.10485v1
Date: Fri, 14 Feb 2025 08:18:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:16:31.660077
Title: Forecasting time series with constraints
Title（参考訳）: 制約付き時系列予測
Authors: Nathan Doumèche, Francis Bach, Éloi Bedek, Gérard Biau, Claire Boyer, Yannig Goude,
Abstract要約: 時系列予測は、従来の機械学習アルゴリズムの有効性を制限するユニークな課題を示す。本稿では,時系列予測における線形制約の統合と統合のための統合フレームワークを提案する。制約付き経験的リスクの正確な最小化は線形代数だけで効率的に計算できることを示す。
参考スコア（独自算出の注目度）: 7.812179453557234
License:
Abstract: Time series forecasting presents unique challenges that limit the effectiveness of traditional machine learning algorithms. To address these limitations, various approaches have incorporated linear constraints into learning algorithms, such as generalized additive models and hierarchical forecasting. In this paper, we propose a unified framework for integrating and combining linear constraints in time series forecasting. Within this framework, we show that the exact minimizer of the constrained empirical risk can be computed efficiently using linear algebra alone. This approach allows for highly scalable implementations optimized for GPUs. We validate the proposed methodology through extensive benchmarking on real-world tasks, including electricity demand forecasting and tourism forecasting, achieving state-of-the-art performance.
Abstract（参考訳）: 時系列予測は、従来の機械学習アルゴリズムの有効性を制限するユニークな課題を示す。これらの制約に対処するため、一般化加法モデルや階層予測など、線形制約を学習アルゴリズムに組み込んでいる。本稿では,時系列予測における線形制約の統合と統合のための統合フレームワークを提案する。この枠組みでは、制約された経験的リスクの正確な最小化を線形代数だけで効率的に計算できることが示される。このアプローチにより、GPUに最適化された高度にスケーラブルな実装が可能になる。提案手法は,電力需要予測や観光予測,最先端性能の達成など,実世界の課題の広範なベンチマークを通じて検証する。

関連論文リスト

Unsupervised Machine Learning Hybrid Approach Integrating Linear Programming in Loss Function: A Robust Optimization Technique [0.0]
本稿では、教師なし機械学習モデルの損失関数に線形プログラミング(LP)を統合する新しいハイブリッド手法を提案する。最適化手法と機械学習の両方の長所を活用することにより、複雑な最適化問題を解決するための堅牢なフレームワークを導入する。
論文参考訳（メタデータ） (2024-08-19T13:14:26Z)
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)
Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-06T13:18:31Z)
Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文参考訳（メタデータ） (2022-02-21T13:18:11Z)
Data-Driven Minimax Optimization with Expectation Constraints [9.373649142701803]
本稿では,最小値予測制約問題に対処するために,効率的な原始双対アルゴリズムのクラスを提案する。我々のアルゴリズムは$mathcalO(frac1sqrtN)$の最適速度で収束することを示す。
論文参考訳（メタデータ） (2022-02-16T05:23:27Z)
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)
Empirical Risk Minimization for Time Series: Nonparametric Performance Bounds for Prediction [0.0]
経験的リスク最小化は、学習理論においてアルゴリズムを選択するための標準原則である。時系列を予測するアルゴリズムのクラスが利用可能である。
論文参考訳（メタデータ） (2021-08-11T12:35:24Z)
Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
論文参考訳（メタデータ） (2021-02-25T00:59:01Z)
Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-14T12:38:21Z)
A General Machine Learning Framework for Survival Analysis [0.8029049649310213]
生存分析のための機械学習手法の多くは、正しい検閲されたデータと比例的ハザード仮定による標準設定のみを考慮する。我々は,データ拡張戦略を用いて,複雑な生存タスクを標準的なポアソン回帰タスクに還元する,時間対イベント分析のための非常に一般的な機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-27T20:57:18Z)
An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。