Feb, 2023

局部差异密度下的深度不平衡时间序列预测

PDF
TL;DR本文提出了一种基于权重调整的时间序列预测框架，通过降低由突发变化造成的损失和提升正常状态下的损失来提高预测精度。通过对 12 种模型在 8 种数据集上的实验，证明该方法能够平均降低 MSE 10.1％，在最先进的模型上可以高达 18.6％。
发现论文，激发创造
  • 一种基于异常检测 LSTM 框架的不对称损失方法用于电力消耗预测

    通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。

    Feb, 2023

  • 处理全局时间序列预测中的概念漂移

    本文探讨了针对全局预测模型中的概念漂移提出了两种新方法：误差贡献加权与梯度下降加权，这些方法在三个模拟数据集上的实验证明能有效地提高时间序列预测的准确性。

    Apr, 2023

  • 失衡航空器数据异常检测

    提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

    May, 2023

  • 基于偏倚数据集训练无偏离散模型

    本文提出了一种时间相关的重要性重新加权方法来减轻扩散模型中的数据集偏差，并证明了时间相关密度比方法相较于之前的方法更准确，从而在生成学习中最小化误差传播。通过将时间相关密度比用于重新加权和得分校正，可以获得一个可行的目标函数来重建无偏数据密度。此外，本文理论上建立了与传统得分匹配的联系，并证明了其收敛于无偏分布。实验证据支持了该方法的有效性，它在包括 CIFAR-10、CIFAR-100、FFHQ 和 CelebA 在内的多种偏差设置下胜过了基线方法。

    Mar, 2024

  • 最大加权损失差异

    本文介绍一种新的概念 —— 最大加权损失差异度（MWLD），并研究其与群体公平性和韧性的关系，最后使用不同的加权函数在四个公平领域的数据集上估计 MWLD，并显示 “损失方差正则化” 可使分类器的损失方差减半，从而降低 MWLD，而不会显著降低准确性。

    Jun, 2019

  • 不规则采样时间序列预测的功能潜在动力学

    通过在时间序列中仅从观察值学习简单曲线，我们提出了一种名为功能潜在动力学（FLD）的模型族，代替复杂的 ODE 模型，以捕捉不规则时间序列的连续动态，并在减少运行时间和内存开销的同时达到更好的性能。

    May, 2024

  • 蒸馏增强的时间序列预测网络与动量对比学习

    我们提出了 DE-TSMCL，这是一个创新的蒸馏增强框架，用于长序列时间序列预测，通过设计可学习的数据增强机制、提出具有动量更新的对比学习任务以及设计监督任务，联合优化多个任务，从而学习下游预测任务的有效表示，实验证明了 DE-TSMCL 的有效性，最大的改进达到 27.3%。

    Jan, 2024

  • 长期时间序列预测的损失形成约束

    长期时间序列预测中，通过基于约束学习的方法在平均性能表现上找到最佳模型，以保持在每个时间步上的损失约束，从而塑造预测窗口中的误差分布。

    Feb, 2024

  • 时间序列预测模型复制过去：如何缓解

    本文探讨神经网络中应用于时间序列预测的一些问题，提出了一种正则化方法，该方法能够缓解预测中所观测到的问题，并在合成和真实数据集上进行了评估。

    Jul, 2022

  • 具有非重尾高斯损失加权采样器的稳健时序预测

    预测多元时间序列的计算密集型任务中，重采样方法无法解决重尾分布损失的问题，为此我们引入了一种新的方法：高斯损失加权采样器，通过乘以高斯分布权重来减少选择极低或极高损失样本的概率，优化了训练效率并提高了预测质量。

    Jun, 2024