KENN：通过利用知识增强深度神经网络用于时间序列预测
机器学习
2022-02-17 v3 人工智能
摘要
端到端数据驱动的机器学习方法通常在训练数据的质量和数量上具有过高要求，而在现实世界应用中往往难以满足。在时间序列领域这尤为确切，诸如灾害预测、异常检测和需求预测等问题常缺乏大量历史数据。此外，纯粹依赖过往样本进行训练可能次优，因为如此我们忽略了一个非常重要的领域即知识，其具有自身独特优势。本文中，我们提出一种新颖的知识融合架构，知识增强神经网络（KENN），用于时间序列预测，旨在结合知识与数据领域的优势同时缓解各自弱点。我们展示 KENN 不仅降低了整体框架的数据依赖性，还通过产生优于纯知识与数据驱动领域各自的预测来提升性能。我们还将 KENN 与最先进的预测方法比较，表明即便仅在 50% 数据上训练，KENN 产生的预测也显著更优。
引用
@article{arxiv.2202.03903,
title = {KENN: Enhancing Deep Neural Networks by Leveraging Knowledge for Time Series Forecasting},
author = {Muhammad Ali Chattha and Ludger van Elst and Muhammad Imran Malik and Andreas Dengel and Sheraz Ahmed},
journal= {arXiv preprint arXiv:2202.03903},
year = {2022}
}