Jan, 2024

利用实例规范化流解决时间序列预测中的分布变化

PDF
TL;DR本文提出了一种新的时间序列预测方法，通过解决分布转移问题以及采用解耦的公式，并在联合学习变换和预测的基础上，利用 instance normalization flows 实现时间序列的转换。通过广泛实验验证，在合成和实际数据上，我们的方法始终优于现有基线算法。
time series forecastingdistribution shift problemdecoupled formulationbi-level optimization probleminstance normalization flows
发现论文，激发创造
  • 基于条件正则流的多元概率时间序列预测

    本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。

    Feb, 2020

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 准确的随机微分方程建模的时间变化归一化流

    本论文介绍了一种新变种的动态归一化流模型（TCNF），基于布朗运动的时间变形，能够有效地建模一些随机微分方程，包括标准的奥恩斯坦 - 乌伦贝克过程，并且提供更好的推断和预测能力。

    Dec, 2023

  • 通过超网络对抗分布漂移，实现精准时序预测

    本文提出了一种基于超网络的框架，称为超时间序列预测（HTSF），它在分布漂移下可以实现准确的时间序列预测，并通过实验验证在 9 个基准测试中达到了最先进的性能。

    Feb, 2022

  • 分段正则流

    该研究介绍了分段归一化流，将目标分布划分为具有更好匹配标准正态基本分布拓扑结构的群集，并训练一系列流来建模复杂的多模式目标。

    May, 2023

  • 概率建模与推理的正则化流

    本文综述了正则流动的研究现状，通过概率建模和推断的视角，分析了其表达能力、计算权衡等基础原理，并将其与更一般的概率转换联系起来，总结了其在生成建模、近似推断和监督学习等任务中的应用。

    Dec, 2019

  • 使用动态规范流建模连续随机过程

    本文提出一种新型的正则化流，其基于 Wiener 过程的微分变形，从而获得一个完整的时间序列模型，该模型继承了其基本过程的许多性质，如似然性和边缘效率。此外，我们的连续处理为有独立到达过程的不规则时间序列提供了自然框架，包括直接插值。在合成数据和真实世界数据的一系列实验中，我们证明了该模型相对于变分 RNN 和潜在 ODE 基线的优越灵活性。

    Feb, 2020

  • 可变尾巴的正则化流动

    使用高斯基础分布和最终变换层来生成重尾，我们提出了尾部变换流（TTF）方法，实验证明此方法在目标分布具有大维度或重尾权重时表现优于当前方法。

    Jun, 2024

  • 离散序列的潜在正则化流

    提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

    Jan, 2019

  • 通过条件流对不规则时间序列进行概率预测

    利用条件归一化流对不规则采样时间序列进行概率预测，解决了缺失值问题，并且相比先前最佳模型，提供了 4 倍更高的似然度。

    Feb, 2024