論文の概要: Disentangling Long-Short Term State Under Unknown Interventions for Online Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2502.12603v1
• Date: Tue, 18 Feb 2025 07:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:07:56.134362
• Title: Disentangling Long-Short Term State Under Unknown Interventions for Online Time Series Forecasting
• Title（参考訳）: オンライン時系列予測のための未知の干渉下での長短状態の分散
• Authors: Ruichu Cai, Haiqin Huang, Zhifang Jiang, Zijian Li, Changze Zhou, Yuequn Liu, Yuming Liu, Zhifeng Hao,
• Abstract要約: オンラインシナリオにおける時系列予測手法の現状 データが順次到着した場合には、短期的な変更を適用しながら、長期的依存を維持することは困難である。 本稿では,オンライン時系列予測のための長期的・短期的状態を切り離すための一般的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 21.059809961310123
• License:
• Abstract: Current methods for time series forecasting struggle in the online scenario, since it is difficult to preserve long-term dependency while adapting short-term changes when data are arriving sequentially. Although some recent methods solve this problem by controlling the updates of latent states, they cannot disentangle the long/short-term states, leading to the inability to effectively adapt to nonstationary. To tackle this challenge, we propose a general framework to disentangle long/short-term states for online time series forecasting. Our idea is inspired by the observations where short-term changes can be led by unknown interventions like abrupt policies in the stock market. Based on this insight, we formalize a data generation process with unknown interventions on short-term states. Under mild assumptions, we further leverage the independence of short-term states led by unknown interventions to establish the identification theory to achieve the disentanglement of long/short-term states. Built on this theory, we develop a long short-term disentanglement model (LSTD) to extract the long/short-term states with long/short-term encoders, respectively. Furthermore, the LSTD model incorporates a smooth constraint to preserve the long-term dependencies and an interrupted dependency constraint to enforce the forgetting of short-term dependencies, together boosting the disentanglement of long/short-term states. Experimental results on several benchmark datasets show that our \textbf{LSTD} model outperforms existing methods for online time series forecasting, validating its efficacy in real-world applications.
• Abstract（参考訳）: オンラインシナリオにおける時系列予測の現在の手法は、データが順次到着した場合の短期的変化を適応させながら、長期的依存を維持することが難しいためである。 近年の手法では、潜伏状態の更新を制御することでこの問題を解決する方法もあるが、長期的/短期的な状態を解き放つことはできず、非定常状態に効果的に適応できない。 この課題に対処するために,オンライン時系列予測のための長期的・短期的状態を切り離すための一般的な枠組みを提案する。 我々の考えは、短期的な変化が株式市場の急激な政策のような未知の介入によって引き起こされるという観察にインスパイアされている。 この知見に基づいて、短期状態に対する未知の介入を伴うデータ生成プロセスを定式化する。 軽微な仮定の下では、未知の介入によって導かれる短期状態の独立をさらに活用し、識別理論を確立し、長期的・短期的な状態の混乱を達成する。 この理論に基づいて, 長期/短期のエンコーダを用いて, 長期/短期の状態を抽出する長期遠絡モデル (LSTD) を開発した。 さらに、LSTDモデルは、長期の依存関係を保存するためのスムーズな制約と、短期の依存関係の忘れを強制するために中断された依存関係の制約を取り入れ、長期/短期の状態のゆがみを高める。 いくつかのベンチマークデータセットによる実験結果から,既存のオンライン時系列予測手法よりも優れた性能を示し,実世界のアプリケーションでの有効性を検証した。

関連論文リスト

• TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
  TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。 TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2024-10-06T10:41:03Z)
• Multiscale Representation Enhanced Temporal Flow Fusion Model for Long-Term Workload Forecasting [19.426131129034115]
  本稿では,自己指導型マルチスケール表現学習を利用して,長期および短期のワークロードパターンを抽出する新しいフレームワークを提案する。 長期履歴はマルチスケール表現によって符号化され、短期観測は時流融合によってモデル化される。
  論文  参考訳（メタデータ） (2024-07-29T04:42:18Z)
• Non-autoregressive Sequence-to-Sequence Vision-Language Models [63.77614880533488]
  本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。 このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
  論文  参考訳（メタデータ） (2024-03-04T17:34:59Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Financial Time Series Forecasting using CNN and Transformer [16.57996422431636]
  本稿では,CNN と Transformer のパワーを活用し,時系列内の短期的および長期的依存関係をモデル化する。 本実験では, 統計的・深層学習法と比較し, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-04-11T00:56:57Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• A Novel Long-term Iterative Mining Scheme for Video Salient Object Detection [54.53335983750033]
  短期的方法論は視覚システムの実際のメカニズムと矛盾する。 そこで本研究では,VSOD を長期にわたって実施する新しい VSOD アプローチを提案する。 提案手法は、広く使用されている5つのベンチマークデータセットにおいて、ほぼ全てのSOTAモデルより優れている。
  論文  参考訳（メタデータ） (2022-06-20T04:27:47Z)
• Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference [31.245426664456257]
  高価なため、大量のセンサーを配備するのは現実的ではない。 きめ細かいデータ測定の仕方は、長い間、迫りくる問題だった。 本稿では,短期パターンの空間的および時間的関係を学習するためのグラフ時間的注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:06:31Z)
• Delay-Tolerant Constrained OCO with Application to Network Resource Allocation [44.67787270821051]
  マルチスロットフィードバック遅延によるオンライン凸最適化(OCO)を検討します。 エージェントは、時間変動凸損失関数の蓄積を最小限に抑えるために、一連のオンライン決定を行う。 情報フィードバックと意思決定の更新の非同期性に取り組むために,二重正規化による新たな制約ペナルティを用いた遅延耐性制約OCOを提案する。
  論文  参考訳（メタデータ） (2021-05-09T19:32:33Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。