モデル融合のためのアート,予測アンサンブルおよびMeta学習戦略の評価【JST・京大機械翻訳】

Cawood Pieter; van Zyl Terence

プレプリント

J-GLOBAL ID：202202207611732277 整理番号：22P0299929

モデル融合のためのアート,予測アンサンブルおよびMeta学習戦略の評価【JST・京大機械翻訳】

Evaluating State of the Art, Forecasting Ensembles- and Meta-learning Strategies for Model Fusion

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月07日プレプリントサーバーでの情報更新日： 2022年07月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ハイブリッド化とアンサンブル学習の技術は,予測方法の予測力を改良するための一般的なモデル融合技術である。これら2つの有望なアプローチを組み合わせることの制約された研究とともに,本論文は,異なるアンサンブルのためのベースモデルのプールにおける指数-スモージング-リカレントニューラルネットワーク(ES-RNN)の有用性に焦点を当てた。ベンチマークとして,最先端のアンサンブル技術と算術モデル平均化のいくつかの状態を比較した。100,000時系列のM4予測データセットを用いて実験を行い,結果は,平均で特徴ベースの予測モデル平均化(FFORMA)が,ES-RNNとの後期データ融合のための最良の技術であることを示した。しかし,データのM4の毎日の部分集合を考慮すると,積層は,すべてのベースモデル性能が類似している場合を扱う際に唯一の成功したアンサンブルであった。著者らの実験結果は,ベンチマークとしてN-BEATSと比較して最先端の予測結果の状態を達成することを示した。モデル平均化はモデル選択と積層戦略よりロバストアンサンブルであると結論した。さらに,結果は,勾配ブースティングがアンサンブル学習戦略を実行するために優れていることを示す。【JST・京大機械翻訳】

, , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 太陽光発電

, , , , , ,

前のページに戻る