Fugu-MT 論文翻訳(概要): Combining Forecasts using Meta-Learning: A Comparative Study for Complex Seasonality

論文の概要: Combining Forecasts using Meta-Learning: A Comparative Study for Complex Seasonality

arxiv url: http://arxiv.org/abs/2504.08940v1
Date: Fri, 11 Apr 2025 19:43:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-15 16:54:35.230456
Title: Combining Forecasts using Meta-Learning: A Comparative Study for Complex Seasonality
Title（参考訳）: メタラーニングによる予測の組合せ:複雑な季節性の比較研究
Authors: Grzegorz Dudek,
Abstract要約: 異なるモデルのモデルから生成された予測を組み合わせたメタラーニングについて検討する。線形回帰、$k$-nearest 隣人、多層パーセプトロン、ランダムフォレスト、長期記憶をメタラーナーとして使用する。
参考スコア（独自算出の注目度）: 1.6317061277457001
License:
Abstract: In this paper, we investigate meta-learning for combining forecasts generated by models of different types. While typical approaches for combining forecasts involve simple averaging, machine learning techniques enable more sophisticated methods of combining through meta-learning, leading to improved forecasting accuracy. We use linear regression, $k$-nearest neighbors, multilayer perceptron, random forest, and long short-term memory as meta-learners. We define global and local meta-learning variants for time series with complex seasonality and compare meta-learners on multiple forecasting problems, demonstrating their superior performance compared to simple averaging.
Abstract（参考訳）: 本稿では,異なるモデルのモデルから生成された予測を組み合わせたメタラーニングについて検討する。予測を組み合わせる典型的なアプローチは、単純な平均化を伴うが、機械学習技術はメタラーニングを通じてより洗練された手法を組み合わせることができ、予測精度が向上する。線形回帰、$k$-nearest 隣人、多層パーセプトロン、ランダムフォレスト、長期記憶をメタラーナーとして使用する。複雑な季節性を持つ時系列のグローバルなメタラーニングとローカルなメタラーニングの変種を定義し、複数の予測問題におけるメタラーナーを比較し、単純な平均よりも優れた性能を示す。

関連論文リスト

Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文参考訳（メタデータ） (2024-10-06T15:25:39Z)
Few-Shot Load Forecasting Under Data Scarcity in Smart Grids: A Meta-Learning Approach [0.18641315013048293]
本稿では,短期負荷予測のためのモデルに依存しないメタ学習アルゴリズムを提案する。提案手法は,任意の長さの未知の負荷時間列に迅速に適応し,一般化することができる。提案手法は,実世界の消費者の歴史的負荷消費データのデータセットを用いて評価する。
論文参考訳（メタデータ） (2024-06-09T18:59:08Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Infinite forecast combinations based on Dirichlet process [9.326879672480413]
本稿では,ディリクレ過程に基づく深層学習アンサンブル予測モデルを提案する。単一のベンチマークモデルに比べて予測精度と安定性が大幅に向上している。
論文参考訳（メタデータ） (2023-11-21T06:41:41Z)
Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
論文参考訳（メタデータ） (2023-06-06T16:15:26Z)
Meta-SysId: A Meta-Learning Approach for Simultaneous Identification and Prediction [34.83805457857297]
本稿では,メタ・シズIdを提案する。メタ・シズIdは,一般的だが未知の法則によって支配されるメタ・ラーニングの手法であり,その文脈によって自分自身を区別する。回帰、時系列予測、モデルベース制御、実世界の交通予測ドメインでMeta-SysIdをテストする。
論文参考訳（メタデータ） (2022-06-01T18:04:22Z)
Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文参考訳（メタデータ） (2021-11-05T11:45:02Z)
Two-Step Meta-Learning for Time-Series Forecasting Ensemble [1.1278903078792915]
いくつかのメソッドのアンサンブルを使用した予測は、しばしば妥協と見なされる。メタラーニングを用いてこれらの側面を適応的に予測することを提案する。提案手法は12561マイクロ・エコノミック・タイムシリーズで試験された。
論文参考訳（メタデータ） (2020-11-20T18:35:02Z)
Unraveling Meta-Learning: Understanding Feature Representations for Few-Shot Tasks [55.66438591090072]
メタラーニングの基礎となる力学と、メタラーニングを用いて訓練されたモデルと古典的に訓練されたモデルの違いをよりよく理解する。数ショット分類のための標準訓練ルーチンの性能を高める正則化器を開発した。
論文参考訳（メタデータ） (2020-02-17T03:18:45Z)
Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文参考訳（メタデータ） (2020-02-11T01:39:12Z)
Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。残余接続はメタラーニング適応機構として機能する。我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
論文参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。