論文の概要: Rethinking Remaining Useful Life Prediction with Scarce Time Series Data: Regression under Indirect Supervision

• arxiv url: http://arxiv.org/abs/2504.09206v1
• Date: Sat, 12 Apr 2025 13:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:55:05.238229
• Title: Rethinking Remaining Useful Life Prediction with Scarce Time Series Data: Regression under Indirect Supervision
• Title（参考訳）: 時系列データによる余剰生活予測の再考:間接監督下での回帰
• Authors: Jiaxiang Cheng, Yipeng Pang, Guoqiang Hu,
• Abstract要約: 本稿では,パラメータ化静的回帰(パラメータ化静的回帰)と呼ばれる統合フレームワークを導入する。 提案手法は,非常に少ない時系列データを扱う場合の予測精度において,競合性能を示す。
• 参考スコア（独自算出の注目度）: 4.335413713700667
• License:
• Abstract: Supervised time series prediction relies on directly measured target variables, but real-world use cases such as predicting remaining useful life (RUL) involve indirect supervision, where the target variable is labeled as a function of another dependent variable. Trending temporal regression techniques rely on sequential time series inputs to capture temporal patterns, requiring interpolation when dealing with sparsely and irregularly sampled covariates along the timeline. However, interpolation can introduce significant biases, particularly with highly scarce data. In this paper, we address the RUL prediction problem with data scarcity as time series regression under indirect supervision. We introduce a unified framework called parameterized static regression, which takes single data points as inputs for regression of target values, inherently handling data scarcity without requiring interpolation. The time dependency under indirect supervision is captured via a parametrical rectification (PR) process, approximating a parametric function during inference with historical posteriori estimates, following the same underlying distribution used for labeling during training. Additionally, we propose a novel batch training technique for tasks in indirect supervision to prevent overfitting and enhance efficiency. We evaluate our model on public benchmarks for RUL prediction with simulated data scarcity. Our method demonstrates competitive performance in prediction accuracy when dealing with highly scarce time series data.
• Abstract（参考訳）: 監視された時系列予測は、直接測定されたターゲット変数に依存するが、実世界のユースケース(RUL)は、他の依存変数の関数としてラベル付けされる、間接的な監視を伴う。 トレンドの時間的回帰技術は、時系列の入力に時間的パターンをキャプチャし、時間軸に沿ってスパースかつ不規則にサンプリングされた共変体を扱う際に補間を必要とする。 しかし、補間は特に少ないデータで顕著なバイアスをもたらす可能性がある。 本稿では、間接監督下での時系列回帰として、データ不足を伴うRUL予測問題に対処する。 パラメータ化静的回帰と呼ばれる統一されたフレームワークを導入し、単一のデータポイントを対象値の回帰の入力として取り、本質的に補間を必要とせずにデータの不足を処理します。 間接監督下の時間依存性は、パラメトリック補正(PR)プロセスによって捉えられ、トレーニング中にラベル付けに使用されるのと同じ基礎的な分布に従って、過去の過去の推定値との推論中にパラメトリック関数を近似する。 また,過度な適合を防止し,効率を高めるために,間接的な監督作業のための新しいバッチトレーニング手法を提案する。 データ不足のシミュレーションによるRUL予測のための公開ベンチマークで,本モデルの評価を行った。 提案手法は,非常に少ない時系列データを扱う場合の予測精度において,競合性能を示す。

関連論文リスト

• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。 我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning [0.716879432974126]
  バッチ指向評価の適合性はデータセットの特性に依存することを示す。 連続時間時間グラフの場合、固定サイズのバッチは異なる期間の時間ウィンドウを生成し、不整合な動的リンク予測タスクをもたらす。 離散時間時間時間グラフの場合、バッチのシーケンスはデータに存在しない時間的依存関係を付加することができる。
  論文  参考訳（メタデータ） (2024-06-07T12:45:12Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Retrieval Based Time Series Forecasting [37.48394754614059]
  時系列データは、スマートトランスポートや環境モニタリングなど、さまざまなアプリケーションに現れる。 時系列解析の基本的な問題の1つは時系列予測である。 理論的にも実証的にも,関連する時系列を参照として検索することで,不確実性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2022-09-27T16:43:55Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• Applying Regression Conformal Prediction with Nearest Neighbors to time series data [0.0]
  本稿では,時系列データにおける共形予測器を用いて,信頼可能な予測区間を構築する方法を提案する。 提案手法は,FPTO-WNN手法の高速パラメータチューニング手法を基礎アルゴリズムとして用いた。
  論文  参考訳（メタデータ） (2021-10-25T15:11:32Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。

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。