論文の概要: BiHRNN -- Bi-Directional Hierarchical Recurrent Neural Network for Inflation Forecasting

• arxiv url: http://arxiv.org/abs/2503.01893v1
• Date: Thu, 27 Feb 2025 16:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:13:13.918409
• Title: BiHRNN -- Bi-Directional Hierarchical Recurrent Neural Network for Inflation Forecasting
• Title（参考訳）: BiHRNN -- インフレ予測のための双方向階層的リカレントニューラルネットワーク
• Authors: Maya Vilenko,
• Abstract要約: インフレ予測は金利、投資、賃金に関する決定を導く。 さらに正確な予測は、動的要因と消費者物価指数の階層構造のために困難である。 これらの課題に対処するために,双方向階層型リカレントニューラルネットワーク(BiHRNN)モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Inflation prediction guides decisions on interest rates, investments, and wages, playing a key role in economic stability. Yet accurate forecasting is challenging due to dynamic factors and the layered structure of the Consumer Price Index, which organizes goods and services into multiple categories. We propose the Bi-directional Hierarchical Recurrent Neural Network (BiHRNN) model to address these challenges by leveraging the hierarchical structure to enable bidirectional information flow between levels. Informative constraints on the RNN parameters enhance predictive accuracy at all levels without the inefficiencies of a unified model. We validated BiHRNN on inflation datasets from the United States, Canada, and Norway by training, tuning hyperparameters, and experimenting with various loss functions. Our results demonstrate that BiHRNN significantly outperforms traditional RNN models, with its bidirectional architecture playing a pivotal role in achieving improved forecasting accuracy.
• Abstract（参考訳）: インフレ予測は金利、投資、賃金の決定を導いており、経済の安定に重要な役割を果たしている。 さらに正確な予測は、複数のカテゴリーに商品やサービスを整理する消費者物価指数(Consumer Price Index)の階層構造と動的要因によって困難である。 本稿では,階層構造を利用して階層間の双方向情報フローを実現することによって,これらの課題に対処するための双方向階層型リカレントニューラルネットワーク(BiHRNN)モデルを提案する。 RNNパラメータのインフォームな制約は、統一モデルの非効率性なしに、すべてのレベルで予測精度を高める。 トレーニング,ハイパーパラメータのチューニング,各種損失関数の実験により,米国,カナダ,ノルウェーのインフレデータセットに対するBiHRNNの検証を行った。 その結果, BiHRNNは従来のRNNモデルよりも優れており, その双方向アーキテクチャは予測精度の向上に重要な役割を担っていることがわかった。

関連論文リスト

• Jacobian-Enforced Neural Networks (JENN) for Improved Data Assimilation Consistency in Dynamical Models [0.0]
  機械学習ベースの天気モデルは正確な予測を生成する上で大きな可能性を示してきたが、データ同化タスクに適用した場合に苦労した。 本研究では、ニューラルネットワーク(NN)をエミュレートした力学系におけるDA整合性を高めるために設計された、Jacobian-Enforced Neural Network(JENN)フレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-12-02T00:12:51Z)
• Gradient Reduction Convolutional Neural Network Policy for Financial Deep Reinforcement Learning [0.0]
  本稿では、CNNモデルの予測性能と財務データの堅牢性を改善するための2つの重要な拡張を紹介する。 まず、入力段階で正規化層を統合し、一貫した機能スケーリングを保証する。 第二に、グラディエント・リダクション・アーキテクチャ(Gradient Reduction Architecture)を採用しています。
  論文  参考訳（メタデータ） (2024-08-16T11:39:03Z)
• INFLECT-DGNN: Influencer Prediction with Dynamic Graph Neural Networks [4.677411878315618]
  INFLuencer prEdiCTion with Dynamic Graph Neural Networks (GNN) and Recurrent Neural Networks (RNN)について述べる。 モデル予測に基づく意思決定を支援する,新たな利益主導型フレームワークを提案する。 我々の研究は、参照とターゲットマーケティングの分野に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-16T19:04:48Z)
• Data efficiency and extrapolation trends in neural network interatomic potentials [0.0]
  ニューラルネットワーク間ポテンシャル(NNIP)の一般化にアーキテクチャと最適化がどう影響するかを示す。 NNIPにおけるテストエラーはスケーリング関係に従っており、ノイズに対して堅牢であるが、高精度なシステムではMD安定性を予測できないことを示す。 我々の研究は、多くの共通NNIPの補間性能に対する深い学習の正当性を提供する。
  論文  参考訳（メタデータ） (2023-02-12T00:34:05Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
  我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。 バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
  論文  参考訳（メタデータ） (2021-12-12T17:13:14Z)
• On Recurrent Neural Networks for learning-based control: recent results and ideas for future developments [1.1031750359996124]
  本稿では、制御設計におけるリカレントニューラルネットワーク(RNN)の可能性について論じ、分析することを目的とする。 RNNの主なファミリーは、Neural AutoRegressive eXo、NNARX、Echo State Networks (ESN)、Long Short Term Memory (LSTM)、Gated Recurrent Units (GRU)である。
  論文  参考訳（メタデータ） (2021-11-26T15:52:52Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Distribution-sensitive Information Retention for Accurate Binary Neural Network [49.971345958676196]
  本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。 我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。 我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2021-09-25T10:59:39Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。