論文の概要: EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2504.00120v1
• Date: Mon, 31 Mar 2025 18:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:32.277326
• Title: EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification
• Title（参考訳）: EMForecaster: 分散のない不確実性定量化を備えた無線ネットワークにおける時系列予測のためのディープラーニングフレームワーク
• Authors: Xavier Mootoo, Hina Tabassum, Luca Chiaraviglio,
• Abstract要約: 我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
• 参考スコア（独自算出の注目度）: 11.88654374102813
• License:
• Abstract: With the recent advancements in wireless technologies, forecasting electromagnetic field (EMF) exposure has become critical to enable proactive network spectrum and power allocation, as well as network deployment planning. In this paper, we develop a deep learning (DL) time series forecasting framework referred to as \textit{EMForecaster}. The proposed DL architecture employs patching to process temporal patterns at multiple scales, complemented by reversible instance normalization and mixing operations along both temporal and patch dimensions for efficient feature extraction. We augment {EMForecaster} with a conformal prediction mechanism, which is independent of the data distribution, to enhance the trustworthiness of model predictions via uncertainty quantification of forecasts. This conformal prediction mechanism ensures that the ground truth lies within a prediction interval with target error rate $\alpha$, where $1-\alpha$ is referred to as coverage. However, a trade-off exists, as increasing coverage often results in wider prediction intervals. To address this challenge, we propose a new metric called the \textit{Trade-off Score}, that balances trustworthiness of the forecast (i.e., coverage) and the width of prediction interval. Our experiments demonstrate that EMForecaster achieves superior performance across diverse EMF datasets, spanning both short-term and long-term prediction horizons. In point forecasting tasks, EMForecaster substantially outperforms current state-of-the-art DL approaches, showing improvements of 53.97\% over the Transformer architecture and 38.44\% over the average of all baseline models. EMForecaster also exhibits an excellent balance between prediction interval width and coverage in conformal forecasting, measured by the tradeoff score, showing marked improvements of 24.73\% over the average baseline and 49.17\% over the Transformer architecture.
• Abstract（参考訳）: 近年の無線技術の発展に伴い、電磁界(EMF)の露光予測が重要となり、プロアクティブなネットワークスペクトルと電力配分とネットワーク配置計画が可能となった。 本稿では,Deep Learning (DL) 時系列予測フレームワークである \textit{EMForecaster} を開発した。 提案するDLアーキテクチャでは,時間的パターンを複数スケールで処理するためのパッチ処理を,時間的およびパッチの両次元に沿った可逆的なインスタンス正規化と混合操作によって補完し,効率的な特徴抽出を行う。 本研究では,データ分布に依存しない共形予測機構を付加し,予測の不確実性定量化によるモデル予測の信頼性を高める。 この共形予測機構は、真理が目標誤差率$\alpha$の予測間隔内にあることを保証し、ここでは1-\alpha$をカバレッジと呼ぶ。 しかし、カバレッジが増加すると予測間隔が大きくなるため、トレードオフが存在する。 この課題に対処するために、予測の信頼性(すなわち、カバレッジ)と予測間隔の幅のバランスをとる「textit{Trade-off Score}」と呼ばれる新しい指標を提案する。 実験により,EMForecasterは,短期および長期の予測地平線にまたがって,多様なEMFデータセットにまたがる優れた性能を実現することを示した。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大幅に上回り、Transformerアーキテクチャよりも53.97\%、ベースラインモデルの平均より38.44\%改善している。 EMForecasterは、トレードオフスコアによって測定された共形予測における予測間隔幅とカバレッジのバランスも良好であり、平均ベースラインよりも24.73\%、トランスフォーマーアーキテクチャより49.17\%改善している。

関連論文リスト

• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Reliable Prediction Intervals with Regression Neural Networks [1.569545894307769]
  本稿では,従来の回帰ニューラルネットワーク(NN)を拡張して,所要の信頼度を満たす予測間隔で生成する点予測を置き換える手法を提案する。 提案手法は,信頼度を予測に割り当てるための新しい機械学習フレームワークである Conformal Prediction (CP) に従う。 提案手法は,4つのベンチマークデータセットと,電離圏間リンクにおいて重要なパラメータであるトータル・エレクトロン・コンテント(TEC)の予測問題について評価する。
  論文  参考訳（メタデータ） (2023-12-15T08:39:02Z)
• 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)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting [41.206310481507565]
  本稿では,時間経過に伴う動的分布依存をモデル化するための時間的条件変動自動符号化(TCVAE)を提案する。 TCVAEは、依存関係を時間的条件分布として推論し、潜伏変数を活用する。 現状のMTS予測ベースラインに対して,TCVAEの強靭性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-01T10:06:22Z)
• 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)
• Towards physically consistent data-driven weather forecasting: Integrating data assimilation with equivariance-preserving deep spatial transformers [2.7998963147546148]
  一般的なデータ駆動天気予報モデルと統合する3つのコンポーネントを提案する。 これらのコンポーネントは,1) 等価性を維持するためにU-NETの潜伏空間に付加された深部空間トランスフォーマー,2) ノイズ観測を取り込み,次の予測に対する初期条件を改善するデータ同化アルゴリズム,3) 複数段階のアルゴリズムにより,短時間で予測の精度が向上する。
  論文  参考訳（メタデータ） (2021-03-16T23:15:00Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。