文献

J-GLOBAL ID：201802237860437736   整理番号：18A1346320

改善された干渉のない機械学習のための時系列予測における階層的メタ学習【JST・京大機械翻訳】

Hierarchical Meta-Learning in Time Series Forecasting for Improved Interference-Less Machine Learning

著者 (7件)： Afolabi David (Department of Computer Science and Software Engineering Xi’an Jiaotong-Liverpool University, Suzhou 215123, China) ,  Afolabi David (Department of Computer Science, University of Liverpool, Liverpool L69 3BX, UK) ,  Guan Sheng-Uei (Department of Computer Science and Software Engineering Xi’an Jiaotong-Liverpool University, Suzhou 215123, China) ,  Man Ka Lok (Department of Computer Science and Software Engineering Xi’an Jiaotong-Liverpool University, Suzhou 215123, China) ,  Wong Prudence W. H. (Department of Computer Science, University of Liverpool, Liverpool L69 3BX, UK) ,  Zhao Xuan (Department of Computer Science and Software Engineering Xi’an Jiaotong-Liverpool University, Suzhou 215123, China) ,  Zhao Xuan (Department of Computer Science, University of Liverpool, Liverpool L69 3BX, UK)
資料名： Symmetry (Web)  (Symmetry (Web))
巻： 9  号： 11  ページ： 283  発行年： 2017年 
JST資料番号： U7282A  ISSN： 2073-8994  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 時系列予測における干渉のない機械学習方式の重要性は,特に現在利用可能なデータの前に多くのステップを予測するとき,負の累積効果を持つことができるので,重要である。時系列予測におけるノイズ除去に関する進行中の研究は,ノイズ誘発情報を同定するために,データシーケンスを成分傾向に分解する成功したアプローチに導いた。経験的モード分解法は,時系列/信号を高から低周波数の範囲の固有モード関数の集合に分離し,元のデータを再構成するために要約できる。不規則雑音が高周波成分にのみ含まれるという通常の仮定は,著者らの以前の発見で観測されたように,事例ではないことが示されている。実験の結果は,雑音が低周波成分に存在することを明らかにし,これが新しく提案したアルゴリズムを動機づけた。さらに,系列内の周期的傾向とパターンの浸食を防ぐために,短期/長期雑音を検出し,除去することに成功する階層的方法において,局所的および大域的傾向の学習を別々に実行した。このアルゴリズムを,金融市場データと物理科学データから4つのデータセットでテストした。シミュレーション結果を,非線形自己回帰ニューラルネットワークおよび長い短期記憶リカレントニューラルネットワークのような時系列機械学習のための従来および最先端手法と比較した。雑音低減のためのメタ学習アルゴリズムをこれらの人工ニューラルネットワークと組み合わせて用いるとき,統計的に有意な性能利得を記録した。意味のある傾向に分解できない時系列データに対して,学習過程を導くためのメタ情報を生成するために移動平均法を適用することは,従来の手法よりも依然として優れている。したがって,この新しいアプローチは,アルゴリズムの並列化された性質のために,マルチクラスタシステムにおいて適切にスケールする可能性を持つ,低い信号対雑音比を持つ時系列の予測に適用できる。Copyright 2018 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  アルゴリズム ,  *干渉 ,  雑音 ,  計算機シミュレーション ,  移動平均法 ,  ニューラルネットワーク ,  再構成 ,  不規則雑音 ,  利得 ,  雑音低減 ,  神経回路網 ,  *機械学習
準シソーラス用語： *時系列予測 ,  *メタ学習 ,  リカレントニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (9件)： 部品の傾向 ,  経験的モード分解 ,  干渉のない機械学習 ,  長期短期記憶 ,  メタ学習 ,  移動平均 ,  騒音低減 ,  非線形自己回帰神経回路網 ,  時系列予測

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

引用文献 (22件)：

• Bengio, Y.; Frasconi, P. Input-output HMMs for sequence processing. IEEE Trans. Neural Netw. 1996, 7, 1231-1249.
• Gunn, S.R. Support Vector Machines for Classification and Regression. ISIS Tech. Rep. 1998, 14, 85-86.
• Štěpnička, M.; Pavliska, V.; Novák, V.; Perfilieva, I.; Vavříčková, L.; Tomanová, I. Time Series Analysis and Prediction Based on Fuzzy Rules and the Fuzzy Transform. In Proceedings of the Joint 2009 International Fuzzy Systems Association World Congress and 2009 European Society of Fuzzy Logic and Technology Conference, Lisbon, Portugal, 20-24 July 2009; pp. 483-488.
• Bemdt, D.J.; Clifford, J. Using Dynamic Time Warping to Find Patterns in Time Series. In Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, Seattle, WA, USA, 31 July-1 August 1994; pp. 359-370.
• Afolabi, D.O.; Guan, S.-U.; Man, K.L.; Wong, P.W.H. Meta-learning with Empirical Mode Decomposition for Noise Elimination in Time Series Forecasting. In Advanced Multimedia and Ubiquitous Engineering: FutureTech & MUE; Park, J.J.H., Jin, H., Jeong, Y.-S., Khan, M.K., Eds.; Springer Singapore: Singapore, 2016; pp. 405-413. ISBN 978-981-10-1536-6.

タイトルに関連する用語 (4件)： 干渉 ,  機械学習 ,  時系列予測 ,  メタ学習