抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】