論文の概要: A Set-Sequence Model for Time Series

• arxiv url: http://arxiv.org/abs/2505.11243v1
• Date: Fri, 16 May 2025 13:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.16248
• Title: A Set-Sequence Model for Time Series
• Title（参考訳）: 時系列のセットシーケンスモデル
• Authors: Elliot L. Epstein, Apaar Sadhwani, Kay Giesecke,
• Abstract要約: 多くの金融予測問題において、個々の単位の振舞いは観測可能な単位レベル因子とマクロ経済変数の影響を受けている。 ハンドクラフト機能を必要としないセットシーケンスモデルを提案する。 提案手法は断面の集合の性質を利用し, 単位数に対して線形時間で集合和を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many financial prediction problems, the behavior of individual units (such as loans, bonds, or stocks) is influenced by observable unit-level factors and macroeconomic variables, as well as by latent cross-sectional effects. Traditional approaches attempt to capture these latent effects via handcrafted summary features. We propose a Set-Sequence model that eliminates the need for handcrafted features. The Set model first learns a shared cross-sectional summary at each period. The Sequence model then ingests the summary-augmented time series for each unit independently to predict its outcome. Both components are learned jointly over arbitrary sets sampled during training. Our approach harnesses the set nature of the cross-section and is computationally efficient, generating set summaries in linear time relative to the number of units. It is also flexible, allowing the use of existing sequence models and accommodating a variable number of units at inference. Empirical evaluations demonstrate that our Set-Sequence model significantly outperforms benchmarks on stock return prediction and mortgage behavior tasks. Code will be released.
• Abstract（参考訳）: 多くの金融予測問題において、個人単位(ローン、債券、株式など)の振舞いは、観測可能な単位レベル要素とマクロ経済変数、および潜在的断面積効果の影響を受けている。 伝統的なアプローチは、手作りの要約機能によってこれらの潜伏効果を捉えようとする。 ハンドクラフト機能を必要としないセットシーケンスモデルを提案する。 設定モデルはまず、各期間に共有された横断的な要約を学習する。 次に、Sequenceモデルは、各ユニットの要約拡張時系列を独立して取り込み、その結果を予測する。 両方のコンポーネントは、トレーニング中にサンプリングされた任意のセット上で共同で学習される。 提案手法は断面の集合の性質を利用し, 単位数に対して線形時間で集合和を生成する。 また、フレキシブルで、既存のシーケンスモデルを使用し、推論時に可変数のユニットを収容することができる。 経験的評価から,当社のSset-Sequenceモデルは,ストックリターン予測や住宅ローン行動タスクのベンチマークを著しく上回っていることが示された。 コードはリリースされる。

関連論文リスト

• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Two-level monotonic multistage recommender systems [5.983189537988243]
  パーソナライズされた予測のためのイベントのモノトニック連鎖を特徴付ける2レベルモノトニック特性 ユーザ固有の振る舞いを異なる段階で学習するための正規化コスト関数。 ブロックワイズ座標降下に基づくアルゴリズム
  論文  参考訳（メタデータ） (2021-10-06T08:50:32Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Bayesian Feature Selection in Joint Quantile Time Series Analysis [1.2419096638953384]
  本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。 QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。 QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-04T18:56:34Z)
• 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)
• A Deep Structural Model for Analyzing Correlated Multivariate Time Series [11.009809732645888]
  相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。 モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。 我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
  論文  参考訳（メタデータ） (2020-01-02T18:48:29Z)

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。