Fugu-MT 論文翻訳(概要): iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network

論文の概要: iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network

arxiv url: http://arxiv.org/abs/2504.16432v1
Date: Wed, 23 Apr 2025 05:34:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.012542
Title: iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network
Title（参考訳）: iTFKAN: Kolmogorov-Arnold Networkによる解釈可能な時系列予測
Authors: Ziran Liang, Rui An, Wenqi Fan, Yanghui Rao, Yuxuan Liang,
Abstract要約: 信頼性のある時系列予測のための新しい解釈可能なモデルiTFKANを提案する。 iTFKANは、モデルシンボル化によって達成される解釈可能性により、モデル決定の論理と基礎となるデータパターンのさらなる探索を可能にする。
参考スコア（独自算出の注目度）: 29.310194531870323
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As time evolves, data within specific domains exhibit predictability that motivates time series forecasting to predict future trends from historical data. However, current deep forecasting methods can achieve promising performance but generally lack interpretability, hindering trustworthiness and practical deployment in safety-critical applications such as auto-driving and healthcare. In this paper, we propose a novel interpretable model, iTFKAN, for credible time series forecasting. iTFKAN enables further exploration of model decision rationales and underlying data patterns due to its interpretability achieved through model symbolization. Besides, iTFKAN develops two strategies, prior knowledge injection, and time-frequency synergy learning, to effectively guide model learning under complex intertwined time series data. Extensive experimental results demonstrated that iTFKAN can achieve promising forecasting performance while simultaneously possessing high interpretive capabilities.
Abstract（参考訳）: 時間が増えるにつれて、特定の領域内のデータは予測可能性を示し、時系列予測を動機付け、過去のデータから将来のトレンドを予測する。しかし、現在の深い予測手法は有望な性能を達成することができるが、一般的に解釈可能性に欠けており、信頼性を損なうとともに、自動運転やヘルスケアといった安全クリティカルなアプリケーションへの実践的な展開を妨げている。本稿では,信頼性のある時系列予測のための新しい解釈可能なモデルiTFKANを提案する。 iTFKANは、モデルシンボル化によって達成される解釈可能性により、モデル決定の論理と基礎となるデータパターンのさらなる探索を可能にする。さらに、iTFKANは、複雑な時系列データに基づくモデル学習を効果的に導くために、事前知識注入と時間周波数相乗学習という2つの戦略を開発する。実験の結果,iTFKANは高い解釈能力を有しながら予測性能が期待できることがわかった。

関連論文リスト

TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting [59.702504386429126]
TimeRAFは検索拡張技術によるゼロショット時系列予測を強化する検索拡張予測モデルである。 TimeRAFは、エンド・ツー・エンドの学習可能なレトリバーを使用して、知識ベースから貴重な情報を抽出する。
論文参考訳（メタデータ） (2024-12-30T09:06:47Z)
Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では,予測符号化にインスパイアされた動的フィードバック機構を通じて時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが48.7%減少した。
論文参考訳（メタデータ） (2024-10-19T21:22:55Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文参考訳（メタデータ） (2023-07-13T13:16:01Z)
DANLIP: Deep Autoregressive Networks for Locally Interpretable Probabilistic Forecasting [0.0]
本稿では,本質的に解釈可能な,深層学習に基づく確率的時系列予測アーキテクチャを提案する。我々のモデルは解釈可能であるだけでなく、最先端の確率的時系列予測手法に匹敵する性能を提供する。
論文参考訳（メタデータ） (2023-01-05T23:40:23Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文参考訳（メタデータ） (2022-04-01T17:57:36Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。