階層型予測におけるローカルモデルとグローバルモデル：情報活用が予測精度に与える影響
階層型時系列予測において、グローバル予測モデル（GFM）は、従来のローカルモデルに比べて、予測精度と計算効率の両面で優れている。
分単位で実現する完全自動化された時系列予測：相関関係も考慮
本稿では、従来の手動設計や自動化された手法における課題を克服し、相関関係のある時系列データの予測を分単位で実現する、完全自動化かつ高効率なフレームワーク「FACTS」を提案する。
時系列予測の包括的な調査：アーキテクチャの多様化と未解決の課題
時系列予測は、従来の統計的手法や機械学習から、MLP、CNN、RNN、GNNなどのディープラーニングへと進化を遂げてきたが、近年ではTransformerを超えるシンプルな線形モデルが登場するなど、多様なアーキテクチャが台頭し、新たな時代を迎えている。
EffiCANet：畳み込みアテンションを用いた効率的な時系列予測
EffiCANetは、従来の手法よりも効率的かつ正確な時系列予測を実現する、新しい畳み込みアテンションネットワークです。
時系列間の拡散ブリッジモデル
拡散モデルは時系列予測において優れた能力を発揮するが、決定論的な予測においては、その確率的性質による不安定さが課題となる。本稿では、既存の拡散ベースの手法を包含する包括的なフレームワークを提示し、その上で、ブラウンブリッジ過程を活用して逆推定におけるランダム性を低減し、過去の時系列データから得られる事前情報と条件を取り入れることで精度を向上させた、新しい拡散ベースの時系列予測モデル「Series-to-Series Diffusion Bridge Model (S2DBM)」を提案する。
すべての周波数が同じように作られているわけではない：時系列予測における周波数の動的融合に向けて
従来の時系列予測モデルは、フーリエ解析を用いて長期的な依存関係を捉える際に、高周波成分をノイズとして破棄することが多かったが、本論文では、周波数の役割はシナリオによって異なり、特定の周波数を一律にノイズとして扱うことは最適ではないことを示唆している。
SageFormer：長期多変量時系列予測のための系列認識フレームワーク
SageFormerは、グラフ構造を用いて系列間の複雑な関係を識別・モデル化する、長期多変量時系列予測のための新しい系列認識フレームワークとTransformerベースのモデルです。
時系列予測のためのMamba基盤モデル（開発中）
本稿では、時系列データの長期予測において、従来のTransformerベースのモデルに比べ、計算量を削減しつつも高い予測精度を実現する、Mambaアーキテクチャに基づく新しい基盤モデル「TSMamba」を提案する。
リアルタイムデータフローと階層型予測調整を用いた予測の向上：エネルギー分野への応用
本稿では、部分的に観測されたデータを用いて階層構造における予測を更新するための新しいフレームワークを提案する。このフレームワークは、ベースモデルの更新、階層の枝刈り、予測調整、枝刈りされたノードの追加という手順で構成され、従来の手法と比較して、より正確な予測結果を得ることができる。
指値注文帳の注意ベースの読み取り、ハイライト表示、および予測
本稿では、複合的な多変量埋め込みを用いた注意ベースの新しいシーケンス to シーケンスモデルを導入し、指値注文帳全体の予測精度向上に成功したことを報告する。
© 2024 by Linnk AI