Fugu-MT 論文翻訳(概要): BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting

論文の概要: BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting

arxiv url: http://arxiv.org/abs/2505.24595v3
Date: Wed, 27 Aug 2025 14:18:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-28 14:51:02.988312
Title: BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting
Title（参考訳）: BinConv: 時系列予測における正規エンコーディングのためのニューラルネットワーク
Authors: Andrei Chernov, Vitaliy Pozdnyakov, Ilya Makarov,
Abstract要約: 確率予測のために設計された完全畳み込みニューラルネットワークアーキテクチャである textbfBinConv を提案する。 BinConvは、ポイントと確率予測の両方で広く使用されているベースラインデータセットと比較して、優れたパフォーマンスを実現している。
参考スコア（独自算出の注目度）: 5.827431686047649
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent work in time series forecasting has explored reformulating regression as a classification task. By discretizing the continuous target space into bins and predicting over a fixed set of classes, these approaches benefit from more stable training, improved uncertainty modeling, and compatibility with modern deep learning architectures. However, most existing methods rely on one-hot encoding, which ignores the inherent ordinal structure of the target values. As a result, they fail to convey information about the relative distance between predicted and true values during training. In this paper, we address this limitation by applying \textbf{Cumulative Binary Encoding} (CBE), a monotonic binary representation that transforms both model inputs and outputs. CBE implicitly preserves ordinal and magnitude information, allowing models to learn distance aware representations while operating within a classification framework. To leverage CBE effectively, we propose \textbf{BinConv}, a fully convolutional neural network architecture designed for probabilistic forecasting. We demonstrate that standard fully connected layers are not only less computationally efficient than convolutional layers when used with CBE, but also degrade forecasting performance. Our experiments on standard benchmark datasets show that BinConv achieves superior performance compared to widely used baselines in both point and probabilistic forecasting, while requiring fewer parameters and enabling faster training.
Abstract（参考訳）: 時系列予測における最近の研究は、回帰を分類課題として再検討している。連続目標空間をビンに分割し、一定のクラスの予測を行うことで、これらのアプローチはより安定したトレーニング、不確実性モデリングの改善、モダンなディープラーニングアーキテクチャとの互換性の恩恵を受ける。しかし、既存のほとんどの手法は、ターゲット値固有の順序構造を無視したワンホット符号化に依存している。結果として、トレーニング中に予測値と真の値との相対距離に関する情報を伝達できない。本稿では、モデル入力と出力の両方を変換する単調なバイナリ表現である \textbf{Cumulative Binary Encoding} (CBE) を適用することで、この制限に対処する。 CBEは順序と大きさの情報を暗黙的に保存し、モデルが分類フレームワーク内で操作しながら、距離を意識した表現を学習できるようにする。 CBEを効果的に活用するために,確率予測のために設計された完全畳み込みニューラルネットワークアーキテクチャである \textbf{BinConv} を提案する。我々は、標準の完全連結層は、CBEで使用するときの畳み込み層よりも計算効率が劣るだけでなく、予測性能を劣化させることを示した。標準ベンチマークデータセットを用いた実験により、BinConvは、パラメータを少なくし、より高速なトレーニングを実現するとともに、ポイントと確率予測の両方で広く使われているベースラインと比較して、優れたパフォーマンスを実現していることが示された。

関連論文リスト

Bridging Neural Networks and Dynamic Time Warping for Adaptive Time Series Classification [2.443957114877221]
コールドスタート条件に適応し,ラベル付きデータでトレーニング可能な汎用モデルを開発した。ニューラルネットワークとして、DTW固有の解釈可能性を維持しながら、十分なラベル付きデータが利用可能であれば、トレーニング可能である。
論文参考訳（メタデータ） (2025-07-13T23:15:21Z)
Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文参考訳（メタデータ） (2024-12-06T18:22:59Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Time Elastic Neural Networks [2.1756081703276]
時間弾性ニューラルネットワーク(teNN)という,非定型ニューラルネットワークアーキテクチャの導入と詳細化について述べる。古典的ニューラルネットワークアーキテクチャと比較して新しいのは、時間ゆがみ能力を明確に組み込んでいることだ。トレーニング過程において,TENNは各細胞に必要となるニューロン数を減少させることに成功した。
論文参考訳（メタデータ） (2024-05-27T09:01:30Z)
Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文参考訳（メタデータ） (2024-01-17T09:01:29Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
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)
Towards Anytime Classification in Early-Exit Architectures by Enforcing Conditional Monotonicity [5.425028186820756]
任意のアルゴリズムは、計算予算が動的である環境に適しています。現在のアーリーエグジットネットワークは、任意の設定に直接適用できないことを示す。本稿では,製品・オブ・エグゼクティブ(Product-of-Experts)に基づくエレガントなポストホック修正を提案する。
論文参考訳（メタデータ） (2023-06-05T07:38:13Z)
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文参考訳（メタデータ） (2023-03-20T14:12:55Z)
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 machine learning approach for forecasting hierarchical time series [4.157415305926584]
階層時系列を予測するための機械学習手法を提案する。予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
論文参考訳（メタデータ） (2020-05-31T22:26:16Z)
Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting [12.0855096102517]
金融時系列予測のための表現学習フレームワークを提案する。本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
論文参考訳（メタデータ） (2020-02-18T15:24:33Z)

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。