DJEnsemble：面向深度学习黑盒时空模型不相交集成的选择方法
人工智能
2020-11-18 v3 机器学习
摘要
本文提出一种基于代价的方法，用于自动选择并分配一组不相交的黑盒预测器集合以回答预测性时空查询。我们的方法分为离线与在线两部分。在离线部分，我们对预测域数据进行预处理——将其转换为规则网格——并对黑盒模型进行处理——计算其时空学习函数。在在线部分，我们计算一个 DJEnsemble 计划，该计划基于预测误差与执行代价的估计最小化一个多元代价函数——生成模型空间分配矩阵——并运行最优集成计划。我们开展了一系列广泛实验来评估 DJEnsemble 方法并凸显其效率。我们表明，我们的代价模型生成的计划性能接近于实际最优计划。与传统集成方法相比，DJEnsemble 在执行时间上实现了高达 的提升，在预测精度上实现了近 的提升。据我们所知，这是首个解决优化黑盒模型分配以回答预测性时空查询问题的工作。
引用
@article{arxiv.2005.11093,
title = {DJEnsemble: On the Selection of a Disjoint Ensemble of Deep Learning Black-Box Spatio-Temporal Models},
author = {Yania Molina Souto and Rafael Pereira and Rocío Zorrilla and Anderson Chaves and Brian Tsan and Florin Rusu and Eduardo Ogasawara and Artur Ziviani and Fabio Porto},
journal= {arXiv preprint arXiv:2005.11093},
year = {2020}
}