論文の概要: CoRe: Coherency Regularization for Hierarchical Time Series

• arxiv url: http://arxiv.org/abs/2502.15983v1
• Date: Fri, 21 Feb 2025 22:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:58:07.549078
• Title: CoRe: Coherency Regularization for Hierarchical Time Series
• Title（参考訳）: CoRe: 階層的時系列のコヒーレンシ規則化
• Authors: Rares Cristian, Pavithra Harhsa, Georgia Perakis, Brian Quanz,
• Abstract要約: 本稿では,ニューラルネットワークを用いた階層時系列予測におけるソフトコヒーレンシに対する新しいアプローチを提案する。 本稿では,ニューラルネットワークをトレーニングし,階層間で本質的にコヒーレントな予測を生成するネットワークコヒーレンシ正規化手法を提案する。 その結果,データ不整合の存在下での一般化と予測精度が向上した。
• 参考スコア（独自算出の注目度）: 4.792322531593389
• License:
• Abstract: Hierarchical time series forecasting presents unique challenges, particularly when dealing with noisy data that may not perfectly adhere to aggregation constraints. This paper introduces a novel approach to soft coherency in hierarchical time series forecasting using neural networks. We present a network coherency regularization method, which we denote as CoRe (Coherency Regularization), a technique that trains neural networks to produce forecasts that are inherently coherent across hierarchies, without strictly enforcing aggregation constraints. Our method offers several key advantages. (1) It provides theoretical guarantees on the coherency of forecasts, even for out-of-sample data. (2) It is adaptable to scenarios where data may contain errors or missing values, making it more robust than strict coherency methods. (3) It can be easily integrated into existing neural network architectures for time series forecasting. We demonstrate the effectiveness of our approach on multiple benchmark datasets, comparing it against state-of-the-art methods in both coherent and noisy data scenarios. Additionally, our method can be used within existing generative probabilistic forecasting frameworks to generate coherent probabilistic forecasts. Our results show improved generalization and forecast accuracy, particularly in the presence of data inconsistencies. On a variety of datasets, including both strictly hierarchically coherent and noisy data, our training method has either equal or better accuracy at all levels of the hierarchy while being strictly more coherent out-of-sample than existing soft-coherency methods.
• Abstract（参考訳）: 階層的時系列予測は、特にアグリゲーション制約に完全に従わないうるノイズの多いデータを扱う場合、固有の課題を提示する。 本稿では,ニューラルネットワークを用いた階層時系列予測におけるソフトコヒーレンシに対する新しいアプローチを提案する。 本稿では,ニューラルネットワークをトレーニングし,階層間で本質的に一貫性のある予測を生成する手法であるCoRe(Coherency Regularization)について,厳密なアグリゲーション制約を課すことなく,ネットワークコヒーレンシ正規化手法を提案する。 我々の方法にはいくつかの利点がある。 1) サンプル外データにおいても, 予測の整合性に関する理論的保証を提供する。 2) データがエラーや欠落した値を含むシナリオに適用可能であり、厳密なコヒーレンシメソッドよりも堅牢である。 (3)時系列予測のために既存のニューラルネットワークアーキテクチャに容易に統合できる。 我々は,複数のベンチマークデータセットに対するアプローチの有効性を実証し,コヒーレントかつノイズの多いデータシナリオにおける最先端の手法との比較を行った。 さらに,本手法は,既存の生成確率予測フレームワークを用いてコヒーレント確率予測を生成することができる。 その結果,データ不整合の存在下での一般化と予測精度が向上した。 厳密な階層的コヒーレントとノイズの多いデータを含むさまざまなデータセットでは,既存のソフトコヒーレンシ手法よりも厳密なコヒーレントなアウト・オブ・サンプルでありながら,階層のすべてのレベルにおいて,我々のトレーニング手法は等しくあるいはより優れた精度を持つ。

関連論文リスト

• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
  生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。 生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。 本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-15T15:51:12Z)
• 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)
• Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures [2.1670528702668648]
  本稿では,信頼性の高い階層情報が存在する場合に,時系列の正確で一貫性のある確率予測を行う新しい手法を提案する。 私たちはそれをDeep Poisson Mixture Network(DPMN)と呼ぶ。 ニューラルネットワークと階層時系列構造の結合分布の統計モデルの組み合わせに依存している。
  論文  参考訳（メタデータ） (2021-10-25T18:02:03Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)

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。