AutoXPCR：面向时间序列预测的自动化多目标模型选择
机器学习
2023-12-21 v1
摘要
自动化机器学习简化了机器学习模型的创建。尽管大多数方法基于预测质量选择“最佳”模型，但认识到其他方面（如可解释性和资源消耗）同样至关重要。这在深度神经网络背景下尤为重要，因为这些模型通常被视为计算密集型的黑盒。在时间序列预测这一具有挑战性的领域，深度神经网络取得了惊人的结果，但自动选择模型的专业方法却很匮乏。在本文中，我们提出了 AutoXPCR——一种用于自动化且可解释的多目标模型选择的新方法。我们的方法利用元学习来估计任何模型在 PCR 准则下的性能，该准则涵盖预测误差、复杂度和资源需求。可解释性在多个层面得到解决，因为我们的交互式框架可以优先选择复杂度较低的模型，并提供推荐决策的副产品解释。我们通过在来自不同领域的 114 个数据集上的 1000 多种配置部署 AutoXPCR，展示了其实用可行性。我们的方法明显优于其他模型选择方法——平均而言，它仅需 20% 的计算成本即可推荐具有 90% 最优质量的模型。
引用
@article{arxiv.2312.13038,
title = {AutoXPCR: Automated Multi-Objective Model Selection for Time Series Forecasting},
author = {Raphael Fischer and Amal Saadallah},
journal= {arXiv preprint arXiv:2312.13038},
year = {2023}
}