基于高斯过程模糊效应的细粒度预测模型
机器学习
2023-12-25 v1 计算机视觉与模式识别
摘要
时间序列预测是一项具有挑战性的任务，因为存在复杂且动态的时间依赖性。这甚至可能导致最佳预测模型产生错误的预测。增加训练数据是提高准确性的一种方法，但这种资源往往有限。相比之下，我们借鉴图像生成中成功的去噪方法，提倡一种端到端的预测与去噪范式。我们提出了一种端到端的“预测 - 模糊 - 去噪”预测框架，鼓励预测模型与去噪模型之间的分工协作。初始预测模型专注于准确预测粗粒度行为，而去噪模型则通过整合高斯过程（Gaussian Process）模型，专注于捕捉被局部模糊的细粒度行为。所有三个部分相互作用以实现最佳的端到端性能。大量实验表明，我们提出的方法能够提高几种最先进（state-of-the-art）预测模型以及其他几种去噪方法的预测准确性。
引用
@article{arxiv.2312.14280,
title = {Fine-grained Forecasting Models Via Gaussian Process Blurring Effect},
author = {Sepideh Koohfar and Laura Dietz},
journal= {arXiv preprint arXiv:2312.14280},
year = {2023}
}
备注
10 pages