EvoSTS予測:進化的スパース時系列予測【JST・京大機械翻訳】

Moyer Ethan Jacob; Augustin Alisha Isabelle; Tripathi Satvik; Dholakia Ansh Aashish; Nguyen Andy; Isozaki Isamu Mclean; Schwartz Daniel; Kim Edward

プレプリント

J-GLOBAL ID：202202215999543244 整理番号：22P0332354

EvoSTS予測:進化的スパース時系列予測【JST・京大機械翻訳】

EvoSTS Forecasting: Evolutionary Sparse Time-Series Forecasting

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 (8件)： , , , , , , ,
資料名：
発行年： 2022年04月14日プレプリントサーバーでの情報更新日： 2022年04月14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)

本研究では,EvoSTSとしても知られている新しい進化的スパース時系列予測アルゴリズムを強調した。このアルゴリズムは,学習スパース符号化辞書を用いて予測信号の再構成損失を最も良く最小化する,Long Short-Termメモリ(LSTM)ネットワークの進化優先重みを試みている。著者らの進化アルゴリズムの各世代において,同じ初期重みを有する一組の子供を,スパニングした。各子供は訓練段階を受け,同じデータでそれらの重みを調整する。確率的バックプロパゲーションにより,子供のセットは,異なるレベルの性能を有する多様な重みを持つ。与えられた信号辞書による再構成損失を最も良く最小化する重みは,次世代に通過する。第一および最後の世代の最良性能重みからの予測を比較した。これらの2世代の重みを比較しながら改善を見出した。しかし,いくつかの交絡パラメータとハイパーパラメータ限界のため,いくつかの重みは無視できる改善しかなかった。著者らの知る限り,これは,LSTMネットワークのような時系列予測モデル重みを最適化するために,この方法でスパース符号化を使用する最初の試みである。【JST・京大機械翻訳】

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

人工知能 , その他のオペレーションズリサーチの手法

, ,

前のページに戻る