論文の概要: Scalable Permutation-Aware Modeling for Temporal Set Prediction

• arxiv url: http://arxiv.org/abs/2504.17140v1
• Date: Wed, 23 Apr 2025 23:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.199889
• Title: Scalable Permutation-Aware Modeling for Temporal Set Prediction
• Title（参考訳）: 時間的集合予測のためのスケーラブルな置換認識モデリング
• Authors: Ashish Ranjan, Ayush Agarwal, Shalin Barot, Sushant Kumar,
• Abstract要約: 時間的集合予測は、先行集合の列が与えられたとき、次の集合に現れる要素を予測することを伴う。 既存の手法はしばしば計算オーバーヘッドがかなり大きい複雑なアーキテクチャに依存している。 我々は、置換同変および置換同変変換を利用する、新しくスケーラブルなフレームワークを導入する。
• 参考スコア（独自算出の注目度）: 8.122126170969365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal set prediction involves forecasting the elements that will appear in the next set, given a sequence of prior sets, each containing a variable number of elements. Existing methods often rely on intricate architectures with substantial computational overhead, which hampers their scalability. In this work, we introduce a novel and scalable framework that leverages permutation-equivariant and permutation-invariant transformations to efficiently model set dynamics. Our approach significantly reduces both training and inference time while maintaining competitive performance. Extensive experiments on multiple public benchmarks show that our method achieves results on par with or superior to state-of-the-art models across several evaluation metrics. These results underscore the effectiveness of our model in enabling efficient and scalable temporal set prediction.
• Abstract（参考訳）: 時間的集合予測は次の集合に現れる要素を予測することを含み、各要素の変数数を含む事前集合の列が与えられる。 既存の手法はしばしば計算オーバーヘッドがかなり大きい複雑なアーキテクチャに依存しており、スケーラビリティを損なう。 本研究では、置換同変変換と置換不変変換を有効利用し、集合のダイナミクスを効率的にモデル化する、新しいスケーラブルなフレームワークを提案する。 我々のアプローチは、競争性能を維持しながら、トレーニングと推論時間の両方を著しく削減します。 複数の公開ベンチマーク実験により,本手法は複数の評価指標における最先端モデルに匹敵する結果が得られることが示された。 これらの結果は,効率的かつスケーラブルな時間集合予測を実現する上で,我々のモデルの有効性を裏付けるものである。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
  RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。 RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。 従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
  論文  参考訳（メタデータ） (2024-08-06T18:52:15Z)
• Koopman Ensembles for Probabilistic Time Series Forecasting [6.699751896019971]
  独立に訓練されたモデルのアンサンブルは極めて過信であり、メンバーに高いモデル間分散による予測を明示的に促す訓練基準を用いることで、アンサンブルの不確実性を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-03-11T14:29:56Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting [56.95572957863576]
  本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。 実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-14T05:11:52Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
  本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。 時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。 4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
  論文  参考訳（メタデータ） (2021-07-08T20:13:50Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。