論文の概要: Merlin: Multi-View Representation Learning for Robust Multivariate Time Series Forecasting with Unfixed Missing Rates

• arxiv url: http://arxiv.org/abs/2506.12459v1
• Date: Sat, 14 Jun 2025 11:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.211752
• Title: Merlin: Multi-View Representation Learning for Robust Multivariate Time Series Forecasting with Unfixed Missing Rates
• Title（参考訳）: Merlin: 未修正のミス率を持つロバストな多変量時系列予測のためのマルチビュー表現学習
• Authors: Chengqing Yu, Fei Wang, Chuanguang Yang, Zezhi Shao, Tao Sun, Tangwen Qian, Wei Wei, Zhulin An, Yongjun Xu,
• Abstract要約: 本稿では,既存のモデルが不完全観測と不完全観測のセマンティックアライメントを達成するのに役立つマルチビュー表現学習(Merlin)を提案する。 Merlinは、予測精度を保ちながら、未固定の欠落率に対して既存のモデルの堅牢性を効果的に強化することができる。
• 参考スコア（独自算出の注目度）: 27.758665158820598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate Time Series Forecasting (MTSF) involves predicting future values of multiple interrelated time series. Recently, deep learning-based MTSF models have gained significant attention for their promising ability to mine semantics (global and local information) within MTS data. However, these models are pervasively susceptible to missing values caused by malfunctioning data collectors. These missing values not only disrupt the semantics of MTS, but their distribution also changes over time. Nevertheless, existing models lack robustness to such issues, leading to suboptimal forecasting performance. To this end, in this paper, we propose Multi-View Representation Learning (Merlin), which can help existing models achieve semantic alignment between incomplete observations with different missing rates and complete observations in MTS. Specifically, Merlin consists of two key modules: offline knowledge distillation and multi-view contrastive learning. The former utilizes a teacher model to guide a student model in mining semantics from incomplete observations, similar to those obtainable from complete observations. The latter improves the student model's robustness by learning from positive/negative data pairs constructed from incomplete observations with different missing rates, ensuring semantic alignment across different missing rates. Therefore, Merlin is capable of effectively enhancing the robustness of existing models against unfixed missing rates while preserving forecasting accuracy. Experiments on four real-world datasets demonstrate the superiority of Merlin.
• Abstract（参考訳）: 多変量時系列予測(MTSF)は、複数の関連する時系列の将来の値を予測する。 近年、深層学習に基づくMTSFモデルは、MSSデータ内にセマンティクス(グローバルおよびローカル情報)をマイニングする有望な能力で大きな注目を集めている。 しかし、これらのモデルは、誤動作するデータコレクターによって生じる欠落した値に広く影響を受けやすい。 これらの欠落した値は、TSのセマンティクスを損なうだけでなく、時間とともにその分布も変化する。 それでも、既存のモデルはそのような問題に対して堅牢性に欠けており、最適以下の予測性能につながった。 そこで本論文では,Merlin(マルチビュー表現学習)を提案する。Merlin(マルチビュー表現学習)は,MTSにおける不完全観測と不完全観測のセマンティックアライメントを実現する。 具体的には、Merlinはオフライン知識蒸留とマルチビューコントラスト学習という2つの重要なモジュールで構成されている。 前者は教師モデルを用いて、完全な観察から得られるものと同様に、不完全な観察からマイニングセマンティクスの学生モデルを導く。 後者は学生モデルのロバスト性を改善するため、不完全な観察から異なる欠落率で構築された正/負のデータペアから学習し、異なる欠落率でセマンティックアライメントを確保する。 したがって、マーリンは予測精度を保ちながら、未固定の失効率に対して既存のモデルの堅牢性を効果的に強化することができる。 4つの実世界のデータセットの実験は、Merlinの優位性を示している。

関連論文リスト

• Masking the Gaps: An Imputation-Free Approach to Time Series Modeling with Missing Data [4.976006205643832]
  我々は、Missing Feature-aware Time Series Modeling (MissTSM)と呼ばれる、時系列における欠落値を扱う新しい計算不要な手法を提案する。 まず、時間ステップと特徴(またはチャネル)の組み合わせをそれぞれ別個のトークンとして扱う新しい埋め込み方式を開発し、また、部分的に観察された特徴に基づいて各時間ステップで潜在表現を学習する新しい特徴認識層(MFAA)を導入する。
  論文  参考訳（メタデータ） (2025-02-18T01:42:26Z)
• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• AdaMerging: Adaptive Model Merging for Multi-Task Learning [68.75885518081357]
  本稿では,Adaptive Model Merging (AdaMerging)と呼ばれる革新的な手法を紹介する。 本来のトレーニングデータに頼ることなく、タスクレベルでも階層的にも、モデルマージの係数を自律的に学習することを目指している。 AdaMergingは、現在の最先端のタスク演算のマージ方式と比較すると、パフォーマンスが11%向上している。
  論文  参考訳（メタデータ） (2023-10-04T04:26:33Z)
• Sharing pattern submodels for prediction with missing values [12.981974894538668]
  機械学習の多くのアプリケーションでは欠落値は避けられず、トレーニング中もテスト時にも課題が提示される。 パターンサブモデル(パターンサブモデル)と呼ばれる別の手法を提案する。これは、テスト時に欠落した値に対して、予測を堅牢にし、パターンサブモデルの予測力を維持または改善させる。
  論文  参考訳（メタデータ） (2022-06-22T15:09:40Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• LIFE: Learning Individual Features for Multivariate Time Series Prediction with Missing Values [71.52335136040664]
  本稿では,MTS予測のための新しいパラダイムを提供する学習個人特徴(LIFE)フレームワークを提案する。 LIFEは、相関次元を補助情報として使用し、非相関次元からの干渉を欠落値で抑制することにより、予測のための信頼性の高い特徴を生成する。 3つの実世界のデータセットの実験は、既存の最先端モデルに対するLIFEの優位性を検証する。
  論文  参考訳（メタデータ） (2021-09-30T04:53:24Z)
• Local Clustering with Mean Teacher for Semi-supervised Learning [8.54739245813914]
  Tarvainen と Valpola の Mean Teacher (MT) モデルは、いくつかの半教師付きベンチマークデータセットで好成績を示した。 そこで本研究では,局所クラスタリング(LC)と呼ばれる簡易で効果的な手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T22:31:31Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。