Apr, 2024

可解释需求预测的分层神经附加模型

PDF
TL;DR通过引入层次神经加法模型（HNAM），本研究解决了机器学习预测方法准确性高但解释性差的问题。HNAM 是一种针对时间序列的加法模型，允许根据用户指定的交互层次来进行协变量交互。通过对真实世界的零售数据进行广泛评估并与其他最先进的机器学习和统计模型进行比较，实验结果表明，HNAM 不仅具备竞争性的预测性能，还能提供可信的解释。
demand forecastsmachine learninginterpretable modelstime seriescovariate interactions
发现论文，激发创造
  • 神经加性模型用于实时预测

    应用神经加法模型 (NAMs) 研究多变量预测问题，使用广义加法模型为每个输入变量提供解释性并且能够成功地对多元时间序列数据进行预测。

    May, 2022

  • 神经加性模型：利用神经网络进行可解释的机器学习

    由于深度神经网络在高风险领域应用时存在的不透明性，本文提出了一种名为神经添加模型（NAMs）的方法，将神经网络的表现力和广义可加模型的内在可解释性结合起来，令其在高风险领域有更好的应用前景，同时 NAMs 表现出了良好的性能，其可用于多任务学习及建立更复杂可解释的 COVID-19 模型。

    Apr, 2020

  • 高斯过程神经附加模型

    神经外包模型（NAMs）的发展标志着可解释的深度学习在表格数据集上的重要进展，我们提出了一种新的 NAMs 子类 —— 通过随机傅立叶特征的高斯过程的单层神经网络结构，称为高斯处理神经外加模型（GP-NAM），它具有凸优化函数和可训练参数数量与特征维度成线性关系的优势，并证明了它在多个表格数据集上实现了与更深层次 NAM 方法相当甚至更好的性能。

    Feb, 2024

  • 拉普拉斯 - 近似神经加性模型：结合贝叶斯推理提高可解释性

    本文从贝叶斯角度探讨神经相加模型，并开发了实用的拉普拉斯近似方法。研究结果表明，使用该方法得到的神经相加模型可以提高表格回归和分类数据集以及现实世界医学任务的性能和解释性。

    May, 2023

  • 基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

    一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

    Nov, 2023

  • 神经属性机用于程序生成

    本文提出了神经属性机（NAM），并研究了其在生成结构复杂的序列方面的效果。NAM 利用逻辑机器表示潜在的语法，并通过优化定制损失函数来教导神经机器语法的约束条件，相比仅从语法样本中训练的传统 RNN，在生成时违规约束条件的情况更少。

    May, 2017

  • G-NM：一组数值时间序列预测模型

    本研究旨在开发一个综合性的数字时间序列预测模型拓展我们对自然现象模式和趋势的预测能力。该模型采用传统的 ARIMA、Holt-Winters 的方法、支持向量回归和现代神经网络模型 RNN 和 LSTM 等多种模型，可捕捉时间序列数据中的线性和非线性依赖性和季节性，旨在为大规模时间序列预测模型的发展提供实质性推进。

    Jun, 2023

  • DeepHGNN: 基于图神经网络的层次相关多变量时间序列预测方法研究

    这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。

    May, 2024

  • 利用隐马尔科夫模型提高循环神经网络的可解释性

    通过将循环神经网络与隐马尔科夫模型相结合，旨在增加其可解释性，发现 LSTM 和 HMM 可以学习互补的文本特征信息。

    Jun, 2016

  • 深度学习中的预测：超越平均值的平均值性能

    准确评估预测模型对于确保可靠的预测至关重要。我们提出了一个新的框架，从多个角度评估单变量时间序列预测模型，比如一步预测和多步预测。通过与经典预测技术比较，我们展示了这一框架的优势，并发现 NHITS 在多步预测上表现最佳，同时在异常处理方面被 Theta 等方法超越。这些发现突显了基于方面的模型评估的重要性。

    Jun, 2024