論文の概要: ELATE: Evolutionary Language model for Automated Time-series Engineering

• arxiv url: http://arxiv.org/abs/2508.14667v1
• Date: Wed, 20 Aug 2025 12:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.450063
• Title: ELATE: Evolutionary Language model for Automated Time-series Engineering
• Title（参考訳）: ELATE: 自動時系列エンジニアリングのための進化型言語モデル
• Authors: Andrew Murray, Danial Dervovic, Michael Cashmore,
• Abstract要約: ELATE(Evolutionary Language Model for Automated Time-Series Engineering)を導入し、時系列データのための機能エンジニアリングを自動化する。 ELATEは時系列統計測度と特徴重要度を用いて特徴のガイドとプーンを行い、言語モデルは新しい文脈に関連のある特徴変換を提案する。 実験の結果,ELATEは様々な領域で平均8.4%の精度で予測精度を向上させることがわかった。
• 参考スコア（独自算出の注目度）: 2.121963121603413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series prediction involves forecasting future values using machine learning models. Feature engineering, whereby existing features are transformed to make new ones, is critical for enhancing model performance, but is often manual and time-intensive. Existing automation attempts rely on exhaustive enumeration, which can be computationally costly and lacks domain-specific insights. We introduce ELATE (Evolutionary Language model for Automated Time-series Engineering), which leverages a language model within an evolutionary framework to automate feature engineering for time-series data. ELATE employs time-series statistical measures and feature importance metrics to guide and prune features, while the language model proposes new, contextually relevant feature transformations. Our experiments demonstrate that ELATE improves forecasting accuracy by an average of 8.4% across various domains.
• Abstract（参考訳）: 時系列予測では、機械学習モデルを使用して将来の値を予測する。 既存の機能が新しいものになるように変換される機能エンジニアリングは、モデルパフォーマンスを向上させるために重要であるが、手動で時間を要することが多い。 既存の自動化の試みは、計算にコストがかかり、ドメイン固有の洞察が欠けている、徹底的な列挙に依存している。 ELATE(Evolutionary Language model for Automated Time-Series Engineering)を導入し、進化的フレームワーク内の言語モデルを活用し、時系列データのための機能エンジニアリングを自動化する。 ELATEは時系列統計測度と特徴重要度を用いて特徴のガイドとプーンを行い、言語モデルは新しい文脈に関連のある特徴変換を提案する。 実験の結果,ELATEは様々な領域で平均8.4%の精度で予測精度を向上させることがわかった。

関連論文リスト

• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• auto-sktime: Automated Time Series Forecasting [18.640815949661903]
  本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。 提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2023-12-13T21:34:30Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)
• Entity Aware Modelling: A Survey [22.32009539611539]
  最近の機械学習の進歩により、新しい最先端の応答予測モデルが生まれている。 人口レベルで構築されたモデルは、多くのパーソナライズされた予測設定において、最適以下のパフォーマンスをもたらすことが多い。 パーソナライズされた予測では、予測性能を改善するために、異なるエンティティの固有の特性を取り入れることが目的である。
  論文  参考訳（メタデータ） (2023-02-16T16:33:33Z)
• Machine Learning Algorithms for Time Series Analysis and Forecasting [0.0]
  時系列データは、販売記録から患者の健康進化指標まで、あらゆる場所で使用されている。 様々な統計的および深層学習モデル、特にARIMA、Prophet、LSTMが検討されている。 我々の研究は、誰でも予測プロセスの理解を深め、現在使われている様々な芸術モデルの状態を識別するために利用できる。
  論文  参考訳（メタデータ） (2022-11-25T22:12:03Z)

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。